研究人员推出 AuK,一个用于语音生成和编辑的开源基础模型。该模型整合了自然语言指令和音频上下文,利用了多模态大语言模型、联合变分自编码器和混合整流流 Transformer。为了提高效率,AuK 已被蒸馏为 AuK-Flash,在不影响各种语音相关任务性能的情况下,显著加快了推理速度。 AI
影响 这个开源模型可以加速语音合成和处理方面的研究与开发,从而在内容创作和可访问性方面实现新应用。
排序理由 该条目描述了一份技术报告,其中详细介绍了一个用于语音生成和编辑的开源基础模型。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- AuK-Flash
- Diffusion Transformer
- Hugging Face
- MMDiT
- tencent/AuK
- Transformer++
- variational auto-encoder
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →