[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Kyubyong--tacotron":3,"tool-Kyubyong--tacotron":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":92,"env_deps":94,"category_tags":103,"github_topics":105,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":143},9811,"Kyubyong\u002Ftacotron","tacotron","A TensorFlow Implementation of Tacotron: A Fully End-to-End Text-To-Speech Synthesis Model","Tacotron 是一个基于 TensorFlow 实现的端到端文本转语音（TTS）合成模型。它致力于解决传统语音合成流程复杂、需要人工设计大量声学特征的问题，能够直接将输入文本转换为自然流畅的语音波形，实现了从文字到声音的“一键式”生成。\n\n该项目非常适合人工智能研究人员、语音技术开发者以及对深度学习感兴趣的学生使用。通过提供详尽的代码文档和清晰的训练指南，Tacotron 降低了复现前沿论文的门槛，帮助用户快速搭建自己的语音合成系统。其核心技术亮点在于采用了完全端到端的架构，并利用注意力机制（Attention Mechanism）自动学习文本与音频之间的对齐关系，无需繁琐的规则干预。此外，项目支持在多种数据集（如 LJ Speech、有声书等）上进行训练，并提供了预训练模型和可视化工具，方便用户实时监控训练过程中的注意力对齐效果，确保合成质量。无论是用于学术探索还是构建原型应用，Tacotron 都是一个极具参考价值的开源基准。","# A (Heavily Documented) TensorFlow Implementation of Tacotron: A Fully End-to-End Text-To-Speech Synthesis Model\n\n## Requirements\n\n  * NumPy >= 1.11.1\n  * TensorFlow >= 1.3\n  * librosa\n  * tqdm\n  * matplotlib\n  * scipy\n\n## Data\n\n\u003Cimg src=\"https:\u002F\u002Fupload.wikimedia.org\u002Fwikipedia\u002Fcommons\u002F7\u002F72\u002FWorld_English_Bible_Cover.jpg\" height=\"200\" align=\"right\">\n\u003Cimg src=\"https:\u002F\u002Fupload.wikimedia.org\u002Fwikipedia\u002Fcommons\u002Fthumb\u002Ff\u002Ff6\u002FNick_Offerman_at_UMBC_%28cropped%29.jpg\u002F440px-Nick_Offerman_at_UMBC_%28cropped%29.jpg\" height=\"200\" align=\"right\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_d100f4d649fd.jpg\" height=\"200\" align=\"right\">\n\nWe train the model on three different speech datasets.\n  1. [LJ Speech Dataset](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F)\n  2. [Nick Offerman's Audiobooks](https:\u002F\u002Fwww.audible.com.au\u002Fsearch?searchNarrator=Nick+Offerman)\n  3. [The World English Bible](https:\u002F\u002Fwww.kaggle.com\u002Fbryanpark\u002Fthe-world-english-bible-speech-dataset)\n\nLJ Speech Dataset is recently widely used as a benchmark dataset in the TTS task because it is publicly available. It has 24 hours of reasonable quality samples.\nNick's audiobooks are additionally used to see if the model can learn even with less data, variable speech samples. They are 18 hours long.\n[The World English Bible](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWorld_English_Bible) is a public domain update of the American Standard Version of 1901 into modern English. Its original audios are freely available [here](http:\u002F\u002Fwww.audiotreasure.com\u002Fwebindex.htm). Kyubyong split each chapter by verse manually and aligned the segmented audio clips to the text. They are 72 hours in total. You can download them at [Kaggle Datasets](https:\u002F\u002Fwww.kaggle.com\u002Fbryanpark\u002Fthe-world-english-bible-speech-dataset).\n\n## Training\n  * STEP 0. Download [LJ Speech Dataset](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F) or prepare your own data.\n  * STEP 1. Adjust hyper parameters in `hyperparams.py`. (If you want to do preprocessing, set `prepro` True`.\n  * STEP 2. Run `python train.py`. (If you set `prepro` True, run `python prepro.py` first)\n  * STEP 3. Run `python eval.py` regularly during training.\n\n## Sample Synthesis\n\nWe generate speech samples based on [Harvard Sentences](http:\u002F\u002Fwww.cs.columbia.edu\u002F~hgs\u002Faudio\u002Fharvard.html) as the original paper does. It is already included in the repo.\n\n  * Run `python synthesize.py` and check the files in `samples`.\n\n## Training Curve\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_cee7e75bf257.png\">\n\n\n## Attention Plot\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_8c8885960d17.gif\">\n\n## Generated Samples\n\n  * [LJ at 200k steps](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_lj_200k)\n  * [Nick at 215k steps](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_nick_215k)\n  * [WEB at 183k steps](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_web_183k)\n\n## Pretrained Files\n  * Keep in mind 200k steps may not be enough for the best performance.\n  * [LJ 200k](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F8kxa3xh2vfna3s9\u002FLJ_logdir.zip?dl=0)\n  * [WEB 200k](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fg7m6xhd350ozkz7\u002FWEB_logdir.zip?dl=0)\n  \n## Notes\n\n  * It's important to monitor the attention plots during training.  If the attention plots look good (alignment looks linear), and then they look bad (the plots will look similar to what they looked like in the begining of training), then training has gone awry and most likely will need to be restarted from a checkpoint where the attention looked good, because we've learned that it's unlikely that the loss will ever recover.  This deterioration of attention will correspond with a spike in the loss.\n\n  * In the original paper, the authors said, \"An important trick we discovered was predicting multiple, non-overlapping output frames at each decoder step\" where the number of of multiple frame is the reduction factor, `r`.  We originally interpretted this as predicting non-sequential frames during each decoding step `t`.  Thus were using the following scheme (with `r=5`) during decoding.\n        \n        \n        t    frame numbers\n        -----------------------\n        0    [ 0  1  2  3  4]\n        1    [ 5  6  7  8  9]\n        2    [10 11 12 13 14]\n        ...\n        \n      After much experimentation, we were unable to have our model learning anything useful.  We then switched to predicting `r` sequential frames during each decoding step.\n          \n        \n        t    frame numbers\n        -----------------------\n        0    [ 0  1  2  3  4]\n        1    [ 5  6  7  8  9]\n        2    [10 11 12 13 14]\n        ...\n        \n      With this setup we noticed improvements in the attention and have since kept it.\n\n  * **Perhaps the most important hyperparemeter is the learning rate.**  With  an intitial learning rate of 0.002 we were never able to learn a clean attention, the loss would frequently explode.  With an initial learning rate of 0.001 we were able to learn a clean attention and train for much longer get decernable words during synthesis.\n  * Check other TTS models such as [DCTTS](https:\u002F\u002Fgithub.com\u002Fkyubyong\u002Fdc_tts) or [deep voice 3](https:\u002F\u002Fgithub.com\u002Fkyubyong\u002Fdeepvoice3).\n\n### Differences from the original paper\n\n  * We use Noam style warmup and decay.\n  * We implement gradient clipping.\n  * Our training batches are bucketed.\n  * After the last convolutional layer of the post-processing net, we apply an affine transformation to bring the dimensionality up to 128 from 80, because the required dimensionality of highway net is 128.  In the original highway networks paper, the authors mention that the dimensionality of the input can also be increased with zero-padding, but they used the affine transformation in all their experiments.  We do not know what the Tacotron authors chose.\n\n\n## Papers that referenced this repo\n\n  * [Efficiently Trainable Text-to-Speech System Based on Deep Convolutional Networks with Guided Attention](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.08969)\n  * [Storytime - End to end neural networks for audiobooks](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224s\u002Freports\u002FPierce_Freeman.pdf)\n  \n  Jan. 2018,\n  Kyubyong Park & [Tommy Mulc](tmulc18@gmail.com)\n","# 一个（附有详尽文档）的 Tacotron TensorFlow 实现：一种完全端到端的文本转语音合成模型\n\n## 需求\n\n  * NumPy >= 1.11.1\n  * TensorFlow >= 1.3\n  * librosa\n  * tqdm\n  * matplotlib\n  * scipy\n\n## 数据\n\n\u003Cimg src=\"https:\u002F\u002Fupload.wikimedia.org\u002Fwikipedia\u002Fcommons\u002F7\u002F72\u002FWorld_English_Bible_Cover.jpg\" height=\"200\" align=\"right\">\n\u003Cimg src=\"https:\u002F\u002Fupload.wikimedia.org\u002Fwikipedia\u002Fcommons\u002Fthumb\u002Ff\u002Ff6\u002FNick_Offerman_at_UMBC_%28cropped%29.jpg\u002F440px-Nick_Offerman_at_UMBC_%28cropped%29.jpg\" height=\"200\" align=\"right\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_d100f4d649fd.jpg\" height=\"200\" align=\"right\">\n\n我们使用三个不同的语音数据集来训练模型。\n  1. [LJ 语音数据集](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F)\n  2. [尼克·奥弗曼的有声书](https:\u002F\u002Fwww.audible.com.au\u002Fsearch?searchNarrator=Nick+Offerman)\n  3. [世界英语圣经](https:\u002F\u002Fwww.kaggle.com\u002Fbryanpark\u002Fthe-world-english-bible-speech-dataset)\n\nLJ 语音数据集因其公开可用性，近年来被广泛用作 TTS 任务中的基准数据集。它包含 24 小时质量尚可的样本。\n尼克的有声书则用于测试模型在数据较少、语音样本多变的情况下是否仍能有效学习，总时长为 18 小时。\n[世界英语圣经](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWorld_English_Bible)是 1901 年美国标准版的现代英语更新版本，属于公共领域作品。其原始音频可在此免费获取 [这里](http:\u002F\u002Fwww.audiotreasure.com\u002Fwebindex.htm)。Kyubyong 将每一章按经文手动分割，并将分段后的音频与文本对齐，总时长达 72 小时。您可以在 [Kaggle 数据集](https:\u002F\u002Fwww.kaggle.com\u002Fbryanpark\u002Fthe-world-english-bible-speech-dataset)上下载这些数据。\n\n## 训练\n  * 第 0 步：下载 [LJ 语音数据集](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F) 或准备您自己的数据。\n  * 第 1 步：调整 `hyperparams.py` 中的超参数。（如果您想进行预处理，请将 `prepro` 设置为 True。）\n  * 第 2 步：运行 `python train.py`。（如果将 `prepro` 设置为 True，则需先运行 `python prepro.py`。）\n  * 第 3 步：在训练过程中定期运行 `python eval.py`。\n\n## 样本合成\n\n我们根据原始论文的做法，基于 [哈佛句子](http:\u002F\u002Fwww.cs.columbia.edu\u002F~hgs\u002Faudio\u002Fharvard.html)生成语音样本。这些样本已包含在代码库中。\n\n  * 运行 `python synthesize.py`，并在 `samples` 目录中查看生成的文件。\n\n## 训练曲线\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_cee7e75bf257.png\">\n\n\n## 注意力图\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_readme_8c8885960d17.gif\">\n\n## 生成的样本\n\n  * [LJ 在 20 万步时](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_lj_200k)\n  * [尼克在 21.5 万步时](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_nick_215k)\n  * [WEB 在 18.3 万步时](https:\u002F\u002Fsoundcloud.com\u002Fkyubyong-park\u002Fsets\u002Ftacotron_web_183k)\n\n## 预训练文件\n  * 请注意，20 万步可能不足以达到最佳性能。\n  * [LJ 20 万步](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F8kxa3xh2vfna3s9\u002FLJ_logdir.zip?dl=0)\n  * [WEB 20 万步](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fg7m6xhd350ozkz7\u002FWEB_logdir.zip?dl=0)\n  \n## 注意事项\n\n  * 在训练过程中监控注意力图非常重要。如果注意力图一开始看起来不错（对齐呈线性），但后来又变得糟糕（类似于训练初期的样子），则说明训练出现了问题，很可能需要从注意力表现良好的检查点重新开始，因为我们发现损失通常难以恢复。这种注意力的恶化会伴随着损失的急剧上升。\n\n  * 在原始论文中，作者提到：“我们发现的一个重要技巧是在每个解码步骤预测多个不重叠的输出帧”，这里的“多个帧”即缩减因子 `r`。我们最初将其理解为在每个解码步骤 `t` 中预测非连续的帧。因此，在解码时采用了如下方案（设 `r=5`）：\n        \n        \n        t    帧号\n        -----------------------\n        0    [ 0  1  2  3  4]\n        1    [ 5  6  7  8  9]\n        2    [10 11 12 13 14]\n        ...\n        \n      经过多次实验后，我们发现模型无法学到任何有用的信息。随后，我们改为在每个解码步骤中预测 `r` 个连续的帧。\n          \n        \n        t    帧号\n        -----------------------\n        0    [ 0  1  2  3  4]\n        1    [ 5  6  7  8  9]\n        2    [10 11 12 13 14]\n        ...\n        \n      采用这种设置后，我们观察到了注意力方面的改善，并一直沿用至今。\n\n  * **最重要的超参数或许是学习率。** 初始学习率为 0.002 时，我们始终无法获得清晰的注意力图，损失也经常飙升。而当初始学习率设为 0.001 时，我们成功获得了清晰的注意力图，并能够长时间训练，最终在合成时得到可辨认的语音。\n  * 您也可以参考其他 TTS 模型，例如 [DCTTS](https:\u002F\u002Fgithub.com\u002Fkyubyong\u002Fdc_tts) 或 [Deep Voice 3](https:\u002F\u002Fgithub.com\u002Fkyubyong\u002Fdeepvoice3)。\n\n### 与原始论文的不同之处\n\n  * 我们使用 Noam 式的学习率预热和衰减策略。\n  * 我们实现了梯度裁剪。\n  * 我们的训练批次经过桶排序。\n  * 在后处理网络的最后一层卷积之后，我们应用了一个仿射变换，将维度从 80 提升至 128，因为高速公路网络所需的输入维度为 128。在原始的高速公路网络论文中，作者提到也可以通过零填充来增加输入维度，但他们所有的实验都使用了仿射变换。至于 Tacotron 的作者选择了哪种方法，我们并不清楚。\n\n\n## 引用本仓库的论文\n\n  * [基于深度卷积网络并结合引导式注意力的高效可训练文本转语音系统](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.08969)\n  * [Storytime - 用于有声书的端到端神经网络](http:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs224s\u002Freports\u002FPierce_Freeman.pdf)\n  \n  2018 年 1 月，\n  Kyubyong Park & [Tommy Mulc](tmulc18@gmail.com)","# Tacotron 快速上手指南\n\nTacotron 是一个基于 TensorFlow 实现的端到端文本转语音（TTS）合成模型。本指南将帮助你快速搭建环境并运行该模型。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 需配置相应 TensorFlow 环境)\n*   **Python**: 建议 Python 3.6+\n*   **核心依赖**:\n    *   NumPy >= 1.11.1\n    *   TensorFlow >= 1.3 (注意：此项目基于 TF 1.x 版本)\n    *   librosa\n    *   tqdm\n    *   matplotlib\n    *   scipy\n\n> **提示**：由于该项目依赖较旧版本的 TensorFlow (1.x)，建议在独立的虚拟环境（如 `venv` 或 `conda`）中安装，以避免与现有 TensorFlow 2.x 环境冲突。国内用户可使用清华源或阿里源加速 pip 包下载。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkyubyong\u002Ftacotron.git\n    cd tacotron\n    ```\n\n2.  **安装依赖**\n    推荐使用国内镜像源安装 Python 依赖包：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *如果项目中没有 `requirements.txt` 文件，请手动安装：*\n    ```bash\n    pip install numpy>=1.11.1 tensorflow>=1.3 librosa tqdm matplotlib scipy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **准备数据**\n    默认使用 **LJ Speech Dataset**。你需要手动下载并解压到项目目录或指定路径。\n    *   下载地址：[LJ Speech Dataset](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F)\n    *   将下载的数据集放置在 `data` 文件夹下（具体路径需在配置文件中确认）。\n\n## 基本使用\n\n### 1. 配置参数\n打开 `hyperparams.py` 文件，根据本地环境调整超参数。\n*   如果需要预处理数据，确保设置 `prepro = True`。\n*   **重要提示**：学习率 (`lr`) 是关键参数。建议使用初始学习率 `0.001` 以获得更好的注意力对齐效果；`0.002` 可能导致损失爆炸。\n\n### 2. 数据预处理（可选）\n如果在配置中开启了 `prepro`，请先运行预处理脚本：\n```bash\npython prepro.py\n```\n\n### 3. 开始训练\n运行训练脚本启动模型训练：\n```bash\npython train.py\n```\n*训练过程中请密切关注生成的注意力图（Attention Plot）。如果注意力图从线性对齐变为混乱，且损失值激增，说明训练失败，需要从之前的检查点重启。*\n\n### 4. 评估与监控\n在训练过程中，可以定期运行评估脚本来查看中间结果：\n```bash\npython eval.py\n```\n\n### 5. 语音合成\n训练完成后（或使用预训练模型），运行合成脚本生成语音样本。默认使用哈佛句子集（Harvard Sentences）进行测试：\n```bash\npython synthesize.py\n```\n生成的音频文件将保存在 `samples` 目录中。\n\n### 使用预训练模型（可选）\n如果你不想从头训练，可以下载作者提供的预训练权重（约 200k steps）：\n*   [LJ 数据集预训练模型](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F8kxa3xh2vfna3s9\u002FLJ_logdir.zip?dl=0)\n*   [WEB 数据集预训练模型](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fg7m6xhd350ozkz7\u002FWEB_logdir.zip?dl=0)\n\n下载后解压到对应的日志目录，然后直接运行 `python synthesize.py` 即可测试效果。","一家小型有声书初创公司希望将公共领域的经典文学作品快速转化为高质量的真人语音，以低成本扩充内容库。\n\n### 没有 tacotron 时\n- **制作成本高昂**：必须聘请专业配音演员并租赁录音棚，录制一本 10 小时的小说需花费数万元及数周时间。\n- **迭代修改困难**：若发现文本有误或需要调整语调，必须重新召集人员补录，流程繁琐且周期长。\n- **声音风格单一**：受限于预算只能固定一位主播，无法为不同角色或书籍类型提供多样化的音色选择。\n- **数据利用不足**：手头虽有大量历史录音素材（如旧广播剧），却因缺乏端到端建模能力而无法复用训练新声音。\n\n### 使用 tacotron 后\n- **实现自动化合成**：只需准备少量目标人声数据（如 Nick Offerman 的 18 小时音频），tacotron 即可端到端地训练出专属语音模型，将文本直接转为自然语音。\n- **灵活即时修正**：修改输入文本后，分钟级内即可重新生成对应片段，无需任何人工补录，大幅缩短上线周期。\n- **多音色快速定制**：利用 LJ Speech 或圣经数据集等不同语料，可轻松训练出多种风格的发音人，满足儿童故事、新闻播报等不同场景需求。\n- **小样本学习能力**：即使在数据量有限或录音环境多变的情况下，tacotron 仍能通过注意力机制捕捉对齐关系，产出连贯清晰的音频。\n\ntacotron 通过将文本到语音的复杂流程简化为单一深度学习模型，让中小团队也能以极低门槛拥有媲美真人的定制化语音生产能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tacotron_75eaf692.png","Kyubyong","Kyubyong Park","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKyubyong_1c5ad752.jpg","Lives in Seoul, Korea. \r\nStudied Linguistics at SNU and Univ. of Hawaii.","TUNiB","Seoul, Korea","kbpark.linguist@gmail.com",null,"https:\u002F\u002Fwww.facebook.com\u002Fkyubyong","https:\u002F\u002Fgithub.com\u002FKyubyong",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1834,430,"2026-04-02T08:35:24","Apache-2.0",4,"未说明","未说明 (基于 TensorFlow >= 1.3，通常建议使用支持 CUDA 的 NVIDIA GPU)",{"notes":95,"python":92,"dependencies":96},"该工具是 Tacotron 的 TensorFlow 实现。训练数据需自行下载（如 LJ Speech Dataset）。学习率是关键超参数，建议初始值设为 0.001 以避免损失爆炸。训练过程中需密切监控注意力图（Attention Plot），若对齐效果变差且损失激增，可能需要从之前的检查点重启训练。代码中包含预处理步骤，需在配置文件中开启。",[97,98,99,100,101,102],"NumPy >= 1.11.1","TensorFlow >= 1.3","librosa","tqdm","matplotlib","scipy",[14,104],"音频",[106,107,108,109],"tts","tensorflow","speech-synthesis-model","speech","2026-03-27T02:49:30.150509","2026-04-20T07:18:26.816536",[113,118,123,128,133,138],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},44062,"运行 train.py 时出现 TensorFlow 错误怎么办？","该问题通常由 TensorFlow 版本过低引起。请将 TensorFlow 升级至 1.1.0 或更高版本。升级后代码即可正常运行，建议更新项目依赖要求以明确指定 TensorFlow 版本。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F2",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},44061,"如何获取预训练的 Tacotron 模型？","作者已上传了模型检查点（checkpoint）。用户可以下载并使用该预训练模型，生成的语音质量已被验证为可接受且效果良好。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F107",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},44063,"为什么无法使用 GPU 进行训练？","GPU 训练需要 Python 3 环境。如果在 Python 2.7 下运行，即使修改了设备配置也无法分配 GPU。请切换到 Python 3 环境，并确保安装了 tensorflow-gpu 包。可以通过 nvidia-smi 命令确认 GPU 是否被正确分配给 python3 进程。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F5",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},44064,"合成语音时报错 \"Can't load save_path when it is None\" 如何解决？","这是因为程序找不到模型文件。你需要将训练生成的检查点文件复制到指定的日志目录（例如 `logdir\u002F01`）。需要复制的文件包括：\n- checkpoint\n- graph.pbtxt\n- model_gs_*.data-00000-of-00001\n- model_gs_*.index\n- model_gs_*.meta\n确保这些文件存在于 synthesize.py 配置的 logdir 路径下。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F112",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},44065,"Tacotron 实现中是否使用了线性尺度的对数幅度谱（log magnitude spectrogram）？","是的，应该使用对数尺度。维护者已根据反馈更新了相关代码（见 utils.py 和 eval.py），以正确处理频谱的对数缩放。使用对数尺度（类似梅尔频谱）是有意义的，因为语音的大部分信息分布在低频段，取对数可以扩展分布，而线性变换归一化意义不大。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F16",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},44066,"训练脚本运行结束但没有实际进行训练（loss 不下降）怎么办？","这通常是因为批次大小（batch_size）设置过大，导致显存不足或计算异常从而跳过训练步骤。尝试减小配置文件中的 batch_size 参数，通常可以解决此问题并让训练正常进行。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftacotron\u002Fissues\u002F67",[]]