audio ai timeline

音頻人工智慧時間軸

在這裡，我們將從 2023 年開始追蹤基於波形的音訊生成的最新 AI 模型！

2023年

日期	發布[樣本]	紙	程式碼	訓練模型
14.11	Mustango：邁向可控的文字到音樂生成	arXiv	GitHub	抱臉
13.11	Music ControlNet：用於音樂產生的多個時變控件	arXiv	-	-
02.11	E3 TTS：基於端對端擴散的簡單文字轉語音	arXiv	-	-
01.10	UniAudio：以通用音訊產生為導向的音訊基礎模型	arXiv	GitHub	-
24.09	VoiceLDM：具有環境背景的文字轉語音轉換	arXiv	GitHub	-
05.09	PromptTTS 2：用文字提示描述和產生聲音	arXiv	-	-
14.08	SpeechX：神經編解碼器語言模型作為多功能語音轉換器	arXiv	-	-
10.08	AudioLDM 2：透過自我監督預訓練學習整體音訊生成	arXiv	GitHub	抱臉
09.08	JEN-1：具有全向擴散模型的文本引導通用音樂生成	arXiv	-	-
03.08	MusicLDM：使用節拍同步混合策略來增強文字到音樂生成的新穎性	arXiv	GitHub	-
14.07	Mega-TTS 2：具有任意長度語音提示的零樣本文字轉語音	arXiv	-	-
10.07	VampNet：透過屏蔽聲學令牌模型生成音樂	arXiv	GitHub	-
22.06	AudioPaLM：能說能聽的大型語言模型	arXiv	-	-
19.06	Voicebox：大規模文字引導多語言通用語音生成	PDF	GitHub	-
08.06	MusicGen：簡單可控的音樂生成	arXiv	GitHub	抱臉合作實驗室
06.06	Mega-TTS：具有內在歸納偏差的大規模零樣本文字轉語音	arXiv	-	-
01.06	Vocos：縮小時域和基於傅立葉的神經聲碼器之間的差距，實現高品質音訊合成	arXiv	GitHub	-
29.05	Make-An-Audio 2：時間增強的文字到音訊生成	arXiv	-	-
25.05	MeloDy：高效的神經音樂生成	arXiv	-	-
18.05	CLAPSpeech：透過對比語言音訊預訓練從文字上下文中學習韻律	arXiv	-	-
18.05	SpeechGPT：賦予大型語言模型內在的跨模式對話能力	arXiv	GitHub	-
16.05	SoundStorm：高效的平行音訊生成	arXiv	GitHub（非官方）	-
03.05	從文字描述中產生多樣而生動的聲音	arXiv	-	-
02.05	長期節奏影片配樂	arXiv	GitHub	-
24.04	TANGO：使用指令調整的 LLM 和潛在擴散模型產生文字到音訊	PDF	GitHub	抱臉
18.04	NaturalSpeech 2：潛在擴散模型是自然且零樣本的語音和歌唱合成器	arXiv	GitHub（非官方）	-
10.04	Bark：文字提示的生成音訊模型	-	GitHub	抱臉合作實驗室
03.04	審核：依照潛在擴散模型的說明進行音訊編輯	arXiv	-	-
08.03	VALL-E X：用自己的聲音說外語：跨語言神經編解碼器語言建模	arXiv	-	-
27.02	我聽到你的真面目：圖像引導音訊生成	arXiv	GitHub	-
08.02	Noise2Music：具有擴散模型的文本調節音樂生成	arXiv	-	-
04.02	用於同時產生和分離音樂的多源擴散模型	arXiv	GitHub	-
30.01	SingSong：透過唱歌生成音樂伴奏	arXiv	-	-
30.01	AudioLDM：使用潛在擴散模型產生文字到音頻	arXiv	GitHub	抱臉
30.01	Moûsai：具有長上下文潛在擴散的文本到音樂生成	arXiv	GitHub	-
29.01	製作音頻：使用提示增強擴散模型生成文字到音頻	PDF	-	-
28.01	噪音音樂	-	-	-
27.01	RAVE2 [樣品 RAVE1]	arXiv	GitHub	-
26.01	MusicLM：從文字生成音樂	arXiv	GitHub（非官方）	-
18.01	Msanii：預算有限的高保真音樂合成	arXiv	GitHub	抱臉合作實驗室
16.01	ArchiSound：透過擴散產生音頻	arXiv	GitHub	-
05.01	VALL-E：神經編解碼器語言模型是零樣本文字到語音合成器	arXiv	GitHub（非官方）（演示）	-