阅读论文——AudioLDM: Text-to-Audio Generation with Latent Diffusion Models使用潜在扩散的文本到音频的生成模型

最新推荐文章于 2024-10-11 22:37:20 发布

bin.0327

最新推荐文章于 2024-10-11 22:37:20 发布

阅读量173

点赞数 3

文章标签：音视频人工智能深度学习

本文链接：https://blog.csdn.net/weixin_74479558/article/details/141598899

版权

阅读论文——AudioLDM: Text-to-Audio Generation with Latent Diffusion Models使用潜在扩散的文本到音频的生成模型

学习链接：https://ai-scholar.tech/zh/articles/diffusion-model/audioldm

介绍：AudioLDM利用用于生成高质量图像的潜在扩散模型(LDM)生成具有连续潜在表征的语音。具体来说，它将基于Mel频谱的变异自动编码器(VAE)与基于对比语言-音频预训练(CLAP)的嵌入条件相结合，实现了高级文本条件下的语音生成
项目官方网站：https://ai-scholar.tech/zh/articles/diffusion-model/audioldm
此外，训练有素的AudioLDM可用于执行以下语音操作，无需微调。