e2-tts-pytorch

收录理由

语音助手、有声书流水线和配音工作流常常卡在同一道坎上：想在不重新训练的条件下捕捉新说话人的音色。这个仓库用紧凑的 PyTorch 代码实现了 E2-TTS，正是为这种零样本合成而设计的。与论文不同，它采用多流 transformer 处理文本和音频，并在每个块中施加条件；还附带一个可选的技巧，把文本直接插值到音频长度，省去时长预测。端到端训练代码由社区贡献者补齐，因此项目更像一个可用的起点，而非论文复刻。Lucas Newman 配套的 Nanospeech 仓库提供了训练配方，并为 Apple Silicon 准备了 MLX 移植版。这属于研究级软件，预处理和数据集整理得自己动手，但代码量小，改造成自己的流程并不费劲。