• 欢迎访问佰阅部落,本站为优质开源程序分享站,所有自研项目均开源免费,可在Github查看源码。 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏吧
  • 欢迎积极参与讨论、反馈问题

自研小工具:微软神经网络语音合成助手

实用工具 佰阅部落 1个月前 (04-14) 323次浏览
文章目录[隐藏]

2020年6月20起,本站采用阿里云智能语音合成技术,实现了博客文章自动生成音频,全年付费生成消耗不足9元。直到现在终于替换为微软神经网络语音合成技术,主要原因在于迄今为止它是做的最逼真、最自然的。万千音色、多种风格,以及其他语音合成所没有的呼吸声,在智能语音合成领域,敢称第二没人敢称第一。

0. 效果截图

1. 开发理由

虽然语音合成技术很早就有,唯一的缺点就是很少有面向普通人的可视化操作工具,一方面开发这种工具变现困难,另一方面这些可视化工具以往依赖于最底层的C类编程语言,不过都2022年了,许多跨端技术的出现,比如fluent、webview2等,使得以往全栈开发者都可以降维开发桌面跨端app。这也是我开发这套工具的技术基础。

本次开发借助wails工具,实现了go后端+vue前端合并开发,最终体积只有3.6Mb,里面包含15种音频预览。这种组合开发,既可以全前端wasm实现,也可以用go实现,自由度非常高。除此之外,微软亚洲研究院也详细介绍了fastspech模型和相关文献资料,对科研工作者的故事和背景做了详细报道,反观国内互联网企业,涉及技术性的东西从来只是强堆概念,微软亚洲研究院在这方面做的就很开放和自由,带给阅读者更多启发。

2. 为什么做paper2gui?

当今世界,技术再牛,如果没有简单的可视化操作入口,只能尘封。价值来源于广泛的使用,挖掘那些论文里被尘封的潜在价值,就是半年前我创建paper2gui的初衷,让更人工智能产物更简单直接的面向普通大众。

3. 反内耗后的研究思路

在书写代码的风格里,类yaml格式最符合人脑,也最受欢迎,比如pythonpugstylus,在项目范畴上,通用仓库更容易获得青睐,比如antfu大佬写的unplugin系列远比unocss受欢迎,后者顶多只能做到类tailwindcss这样的分流主线,有着创始人意味,而unplugin系列包罗万象,这种兼容性极强的工具,就会成为类vuevite,成为万千喜爱的大众项目。

国内很多新手眼界很窄,从来不想想跨领域的事情,只觉得眼下就是一切,一叶障目很危险的。像我,不仅广泛浏览和思考全球优秀的UI设计,同时也全栈开发一些网页,还有降维操作的桌面app,实时查看GitHub感兴趣的仓库代码变更,从源头理清开发者思路,虽然不能主动提出科研问题,却可以按月实现一个自己的小灵感。越是前沿、越是国际化的东西,实际上最终都是通用的,让你感受到的痛点和爽点,在程序领域总有类似的群体感觉,所以日常更新迭代就可以逐步趋向大同。

假如你持久跟随在这些顶尖开发者的逻辑,渐渐的你就有了他们视角之外的想法,从而提出改进意见或者干脆自己提个pull。在追逐nuxt3的更新里,我认识了国内antfu大佬,老外怒赞他一个人顶十个,精力无限灵感无限,更重要的是人家乐意为开源服务。在追逐ncnn项目时,我认识了nihui这样的大佬,虽然不像antfu那样高产,但确实把论文变成普通人使用的工具上有很突破,本次的微软神经网络语音合成,让我认识了Xu Tan谭旭这样的国内人工语音合成领域的高手。追逐这些顶尖高手的过程,很有趣,见识也大涨,不惧怕失败,也不惧怕错误,面对全新的想法付出实践时,如果没有99%的失败,证明的你的工作毫无创意。这也是我连续数月不断挑战多个领域,每月一个新品的现实行动,高产出,高实践,高挫折,同样带给我无限的喜悦、兴奋和自豪。

4. 其他

软件下载地址: https://github.com/Baiyuetribe/paper2gui
阿里云盘:https://www.aliyundrive.com/s/2b4hyudGkni


佰阅部落 , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权
转载请注明原文链接:自研小工具:微软神经网络语音合成助手
喜欢 (2)
佰阅部落
关于作者:
爱折腾,爱学习,用心分享各种实用搭建教程,让优质web程序脱颖而出,欢迎订阅!