text-to-audio

Amphion (/æmˈfaɪən/) là bộ công cụ tạo Âm thanh, Âm nhạc và Tiếng nói. Mục đích của nó là hỗ trợ nghiên cứu có thể tái tạo và giúp các nhà nghiên cứu, kỹ sư trẻ bắt đầu trong lĩnh vực nghiên cứu và phát triển tạo âm thanh, âm nhạc và tiếng nói.

Tạo sách nói từ EPUB, PDF và văn bản với phụ đề đồng bộ.

[CVPR 2025] MMAudio: Taming Multimodal Joint Training for High-Quality Video-to-Audio Synthesis

[NeurIPS 2025] Triển khai PyTorch của [ThinkSound], một framework thống nhất để tạo âm thanh từ bất kỳ phương thức nào, được hướng dẫn bởi suy luận Chain-of-Thought (CoT).

StreamSpeech là một mô hình liền mạch "tất cả trong một" dành cho nhận dạng giọng nói ngoại tuyến và đồng thời, dịch giọng nói và tổng hợp giọng nói.

Giao diện web (webui) cho các mạng neural liên quan đến âm thanh khác nhau.

Một họ mô hình khuếch tán để tạo văn bản thành âm thanh.

HunyuanVideo-Foley: Khuếch tán đa phương thức với căn chỉnh biểu diễn để tạo âm thanh Foley độ trung thực cao.

[ICLR 2026] TangoFlux: Tạo văn bản thành âm thanh siêu nhanh và trung thực với Flow Matching

Triển khai PyTorch của Make-An-Audio (ICML'23) với mô hình tạo văn bản thành âm thanh (Text-to-Audio)

OpenMusic: Công nghệ tạo văn bản thành âm nhạc (TTM) hiện đại nhất (SOTA).

Danh sách các bài báo được tuyển chọn về tạo nội dung đa phương thức dựa trên LLM (hình ảnh, video, 3D và âm thanh)

Dự án mã nguồn mở nhằm hợp nhất quá trình xử lý và tạo âm thanh