[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NATSpeech--NATSpeech":3,"tool-NATSpeech--NATSpeech":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",150720,2,"2026-04-11T11:33:10",[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。",108322,"2026-04-10T11:39:34",[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":64,"owner_name":64,"owner_avatar_url":72,"owner_bio":73,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":103,"github_topics":105,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":152},6605,"NATSpeech\u002FNATSpeech","NATSpeech","A Non-Autoregressive Text-to-Speech (NAR-TTS) framework, including official PyTorch implementation of PortaSpeech (NeurIPS 2021) and DiffSpeech (AAAI 2022)","NATSpeech 是一个专注于非自回归文本转语音（NAR-TTS）的开源框架，旨在让语音合成过程更快速、高效。传统语音模型往往需要按顺序逐字生成，导致推理速度较慢，而 NATSpeech 通过并行生成机制，显著提升了合成效率，同时保持了高保真的音质。\n\n该框架集成了两项顶尖学术成果：NeurIPS 2021 发表的 PortaSpeech，主打轻量便携与高质量生成；以及 AAAI 2022 展示的 DiffSpeech，利用浅层扩散机制实现细腻的歌声合成。它不仅提供了完整的数据处理流程（支持 Montreal Forced Aligner 进行强制对齐），还构建了易于扩展的训练与推理环境，并采用了高效的随机访问数据集设计，降低了开发门槛。\n\nNATSpeech 非常适合 AI 研究人员、语音算法工程师以及希望复现前沿论文的开发者使用。对于想要探索快速语音合成技术或定制歌声合成模型的技术团队来说，这是一个功能完备且文档详实的起点。需要注意的是，出于伦理与法律考量，项目明确禁止未经同意利用该技术合成特定人物的语音，使用者需严格遵守相关规范。","\u003Cp align=\"center\">\n    \u003Cbr>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNATSpeech_NATSpeech_readme_79f491835010.png\" width=\"200\"\u002F>\n    \u003Cbr>\n\u003C\u002Fp>\n\n\u003Ch2 align=\"center\">\n\u003Cp> NATSpeech: A Non-Autoregressive Text-to-Speech Framework\u003C\u002Fp>\n\u003C\u002Fh2>\n\n\u003Cdiv align=\"center\">\n\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fblob\u002Fmain\u002FLICENSE)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdownloads\u002FNATSpeech\u002FNATSpeech\u002Ftotal?label=pretrained+model+downloads)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Freleases\u002Ftag\u002Fpretrained_models) | [![Hugging Face](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-blue)](https:\u002F\u002Fhuggingface.co\u002FNATSpeech) | [中文文档](.\u002FREADME-zh.md) \n\n\u003C\u002Fdiv>\n\n\nThis repo contains official PyTorch implementation of:\n\n- [PortaSpeech: Portable and High-Quality Generative Text-to-Speech](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Ffile\u002F748d6b6ed8e13f857ceaa6cfbdca14b8-Paper.pdf) (NeurIPS 2021)  \n[Demo page](https:\u002F\u002Fportaspeech.github.io\u002F) | [HuggingFace🤗 Demo](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FNATSpeech\u002FPortaSpeech)\n- [DiffSinger: Singing Voice Synthesis via Shallow Diffusion Mechanism](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.02446) (DiffSpeech) (AAAI 2022)  \n[Demo page](https:\u002F\u002Fdiffsinger.github.io\u002F) | [Project page](https:\u002F\u002Fgithub.com\u002FMoonInTheRiver\u002FDiffSinger) | [HuggingFace🤗 Demo](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FNATSpeech\u002FDiffSpeech)\n\n## Key Features \nWe implement the following features in this framework:\n\n- Data processing for non-autoregressive Text-to-Speech\n  using [Montreal Forced Aligner](https:\u002F\u002Fgithub.com\u002FMontrealCorpusTools\u002FMontreal-Forced-Aligner).\n- Convenient and scalable framework for training and inference.\n- Simple but efficient random-access dataset implementation.\n\n## Install Dependencies\n\n```bash\n## We tested on Linux\u002FUbuntu 18.04. \n## Install Python 3.6+ first (Anaconda recommended).\n\nexport PYTHONPATH=.\n# build a virtual env (recommended).\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\n# install requirements.\npip install -U pip\npip install Cython numpy==1.19.1\npip install torch==1.9.0 # torch >= 1.9.0 recommended\npip install -r requirements.txt\nsudo apt install -y sox libsox-fmt-mp3\nbash mfa_usr\u002Finstall_mfa.sh # install forced alignment tool\n```\n\n## Documents\n\n- [About the framework](.\u002Fdocs\u002Fframework.md)\n- [Run PortaSpeech](.\u002Fdocs\u002Fportaspeech.md)\n- [Run DiffSpeech](.\u002Fdocs\u002Fdiffspeech.md)\n\n## Citation\n\nIf you find this useful for your research, please cite the following papers:\n\n- PortaSpeech\n\n```bib\n@article{ren2021portaspeech,\n  title={PortaSpeech: Portable and High-Quality Generative Text-to-Speech},\n  author={Ren, Yi and Liu, Jinglin and Zhao, Zhou},\n  journal={Advances in Neural Information Processing Systems},\n  volume={34},\n  year={2021}\n}\n```\n\n- DiffSpeech\n\n```bib\n@article{liu2021diffsinger,\n  title={Diffsinger: Singing voice synthesis via shallow diffusion mechanism},\n  author={Liu, Jinglin and Li, Chengxi and Ren, Yi and Chen, Feiyang and Liu, Peng and Zhao, Zhou},\n  journal={arXiv preprint arXiv:2105.02446},\n  volume={2},\n  year={2021}\n }\n```\n\n## Acknowledgments\n\nOur codes are influenced by the following repos:\n\n- [PyTorch Lightning](https:\u002F\u002Fgithub.com\u002FPyTorchLightning\u002Fpytorch-lightning)\n- [ParallelWaveGAN](https:\u002F\u002Fgithub.com\u002Fkan-bayashi\u002FParallelWaveGAN)\n- [Hifi-GAN](https:\u002F\u002Fgithub.com\u002Fjik876\u002Fhifi-gan)\n- [espnet](https:\u002F\u002Fgithub.com\u002Fespnet\u002Fespnet)\n- [Glow-TTS](https:\u002F\u002Fgithub.com\u002Fjaywalnut310\u002Fglow-tts)\n- [DiffSpeech](https:\u002F\u002Fgithub.com\u002FMoonInTheRiver\u002FDiffSinger)\n\n## License and Agreement\nAny organization or individual is prohibited from using any technology mentioned in this paper to generate someone's speech without his\u002Fher consent, including but not limited to government leaders, political figures, and celebrities. If you do not comply with this item, you could be in violation of copyright laws.\n","\u003Cp align=\"center\">\n    \u003Cbr>\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNATSpeech_NATSpeech_readme_79f491835010.png\" width=\"200\"\u002F>\n    \u003Cbr>\n\u003C\u002Fp>\n\n\u003Ch2 align=\"center\">\n\u003Cp>NATSpeech：一种非自回归文语转换框架\u003C\u002Fp>\n\u003C\u002Fh2>\n\n\u003Cdiv align=\"center\">\n\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FNATSpeech\u002FNATSpeech)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fblob\u002Fmain\u002FLICENSE)\n[![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fdownloads\u002FNATSpeech\u002FNATSpeech\u002Ftotal?label=pretrained+model+downloads)](https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Freleases\u002Ftag\u002Fpretrained_models) | [![Hugging Face](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-blue)](https:\u002F\u002Fhuggingface.co\u002FNATSpeech) | [中文文档](.\u002FREADME-zh.md) \n\n\u003C\u002Fdiv>\n\n\n本仓库包含以下项目的官方 PyTorch 实现：\n\n- [PortaSpeech：便携且高质量的生成式文语转换](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Ffile\u002F748d6b6ed8e13f857ceaa6cfbdca14b8-Paper.pdf)（NeurIPS 2021）  \n[演示页面](https:\u002F\u002Fportaspeech.github.io\u002F) | [HuggingFace 🤗 演示](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FNATSpeech\u002FPortaSpeech)\n- [DiffSinger：基于浅层扩散机制的歌声合成](https:\u002F\u002Farxiv.org\u002Fabs\u002F2105.02446)（DiffSpeech）（AAAI 2022）  \n[演示页面](https:\u002F\u002Fdiffsinger.github.io\u002F) | [项目页面](https:\u002F\u002Fgithub.com\u002FMoonInTheRiver\u002FDiffSinger) | [HuggingFace 🤗 演示](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FNATSpeech\u002FDiffSpeech)\n\n## 核心特性\n我们在该框架中实现了以下功能：\n\n- 使用 [Montreal Forced Aligner](https:\u002F\u002Fgithub.com\u002FMontrealCorpusTools\u002FMontreal-Forced-Aligner) 进行非自回归文语转换的数据处理。\n- 方便且可扩展的训练与推理框架。\n- 简单但高效的随机访问数据集实现。\n\n## 安装依赖\n\n```bash\n## 我们在 Linux\u002FUbuntu 18.04 上进行了测试。  \n## 请先安装 Python 3.6 及以上版本（推荐使用 Anaconda）。\n\nexport PYTHONPATH=.\n# 建立虚拟环境（推荐）。\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\n# 安装所需依赖。\npip install -U pip\npip install Cython numpy==1.19.1\npip install torch==1.9.0 # 推荐使用 torch >= 1.9.0\npip install -r requirements.txt\nsudo apt install -y sox libsox-fmt-mp3\nbash mfa_usr\u002Finstall_mfa.sh # 安装强制对齐工具\n```\n\n## 文档\n\n- [关于框架](.\u002Fdocs\u002Fframework.md)\n- [运行 PortaSpeech](.\u002Fdocs\u002Fportaspeech.md)\n- [运行 DiffSpeech](.\u002Fdocs\u002Fdiffspeech.md)\n\n## 引用\n如果您觉得本项目对您的研究有所帮助，请引用以下论文：\n\n- PortaSpeech\n\n```bib\n@article{ren2021portaspeech,\n  title={PortaSpeech: Portable and High-Quality Generative Text-to-Speech},\n  author={Ren, Yi and Liu, Jinglin and Zhao, Zhou},\n  journal={Advances in Neural Information Processing Systems},\n  volume={34},\n  year={2021}\n}\n```\n\n- DiffSpeech\n\n```bib\n@article{liu2021diffsinger,\n  title={Diffsinger: Singing voice synthesis via shallow diffusion mechanism},\n  author={Liu, Jinglin and Li, Chengxi and Ren, Yi and Chen, Feiyang and Liu, Peng and Zhao, Zhou},\n  journal={arXiv preprint arXiv:2105.02446},\n  volume={2},\n  year={2021}\n }\n```\n\n## 致谢\n我们的代码受到以下项目的启发：\n\n- [PyTorch Lightning](https:\u002F\u002Fgithub.com\u002FPyTorchLightning\u002Fpytorch-lightning)\n- [ParallelWaveGAN](https:\u002F\u002Fgithub.com\u002Fkan-bayashi\u002FParallelWaveGAN)\n- [Hifi-GAN](https:\u002F\u002Fgithub.com\u002Fjik876\u002Fhifi-gan)\n- [espnet](https:\u002F\u002Fgithub.com\u002Fespnet\u002Fespnet)\n- [Glow-TTS](https:\u002F\u002Fgithub.com\u002Fjaywalnut310\u002Fglow-tts)\n- [DiffSpeech](https:\u002F\u002Fgithub.com\u002FMoonInTheRiver\u002FDiffSinger)\n\n## 许可与协议\n任何组织或个人均不得在未经当事人同意的情况下，利用本文中提及的技术生成其语音，包括但不限于政府领导人、政治人物及名人。若违反此规定，可能构成侵犯著作权的行为。","# NATSpeech 快速上手指南\n\nNATSpeech 是一个非自回归（Non-Autoregressive）文本转语音（TTS）框架，支持 **PortaSpeech**（高质量通用 TTS）和 **DiffSinger**（歌声合成）等先进模型。本指南将帮助您快速在 Linux 环境下完成部署并运行基础示例。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：推荐 Linux \u002F Ubuntu 18.04 及以上版本。\n*   **Python 版本**：Python 3.6+（推荐使用 Anaconda 管理环境）。\n*   **硬件依赖**：建议配备 NVIDIA GPU 以加速训练和推理（CPU 仅可用于测试，速度较慢）。\n*   **系统工具**：需要安装 `sox` 音频处理工具。\n\n## 2. 安装步骤\n\n请依次执行以下命令来配置虚拟环境、安装依赖及对齐工具。\n\n### 2.1 创建并激活虚拟环境\n```bash\n# 设置环境变量\nexport PYTHONPATH=.\n\n# 创建虚拟环境（推荐）\npython -m venv venv\nsource venv\u002Fbin\u002Factivate\n\n# 升级 pip\npip install -U pip\n```\n\n### 2.2 安装核心依赖\n为了保证兼容性，建议按顺序安装特定版本的底层库，再安装其他需求。\n> **提示**：国内用户可使用清华源或阿里源加速下载（例如添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`）。\n\n```bash\n# 安装基础构建工具\npip install Cython numpy==1.19.1\n\n# 安装 PyTorch (版本需 >= 1.9.0)\npip install torch==1.9.0\n\n# 安装项目其余依赖\npip install -r requirements.txt\n```\n\n### 2.3 安装系统级音频工具与对齐器\n```bash\n# 安装 sox 及其 mp3 支持库 (Ubuntu\u002FDebian)\nsudo apt install -y sox libsox-fmt-mp3\n\n# 安装 Montreal Forced Aligner (MFA) 强制对齐工具\nbash mfa_usr\u002Finstall_mfa.sh\n```\n\n## 3. 基本使用\n\n安装完成后，您可以参考官方文档运行具体的模型。以下是基于 PortaSpeech 的最简使用流程概念。\n\n### 3.1 数据预处理\nNATSpeech 使用 MFA 进行音素对齐。您需要准备包含音频文件和对应文本标注的数据集，并运行预处理脚本（具体参数请参考 `docs\u002Fportaspeech.md`）：\n\n```bash\n# 示例：运行数据预处理脚本 (需根据实际数据集路径修改参数)\npython scripts\u002Fpreprocess.py --config configs\u002Fportaspeech.yaml --data-dir .\u002Fyour_dataset\n```\n\n### 3.2 模型训练\n使用配置文件启动训练。框架支持多卡训练，默认使用 PyTorch Lightning 后端。\n\n```bash\n# 示例：启动 PortaSpeech 训练\npython tasks\u002Ftts\u002Ffs_train.py --config configs\u002Fportaspeech.yaml\n```\n\n### 3.3 语音合成（推理）\n训练完成后（或直接加载预训练模型），使用以下命令进行推理生成音频：\n\n```bash\n# 示例：运行推理脚本\npython tasks\u002Ftts\u002Ffs_infer.py --config configs\u002Fportaspeech.yaml --input \"你好，这是 NATSpeech 生成的语音。\" --output .\u002Fresults\n```\n\n> **注意**：\n> *   详细的配置文件说明、超参数调整及 DiffSinger 歌声合成的具体用法，请参阅项目根目录下的 `docs\u002F` 文件夹。\n> *   **法律免责声明**：严禁未经授权使用本技术生成任何自然人（包括政府领导人、政治人物及名人）的语音，违者可能触犯版权法。","某独立游戏开发团队正在为一款奇幻冒险游戏制作大量 NPC 对话及角色歌唱片段，急需高质量且低延迟的语音合成方案。\n\n### 没有 NATSpeech 时\n- **推理速度慢**：传统自回归模型生成语音需逐个输出帧，导致长对话生成耗时过长，无法在玩家互动时实时响应。\n- **歌声合成缺失**：现有工具仅支持朗读，若要实现游戏中角色的即兴歌唱，需额外寻找昂贵且复杂的专用歌声合成引擎。\n- **部署门槛高**：高精度模型往往体积庞大、依赖复杂，难以移植到资源受限的游戏服务器或边缘设备上运行。\n- **数据对齐繁琐**：缺乏集成的强制对齐工具，处理训练数据时需手动配置外部软件，大幅拉长了新角色声音的训练周期。\n\n### 使用 NATSpeech 后\n- **实时交互流畅**：借助 PortaSpeech 的非自回归特性，语音生成速度提升数倍，NPC 对话可实现毫秒级响应，完美适配即时游戏场景。\n- **歌声自然融入**：直接调用 DiffSpeech 模块，利用浅层扩散机制生成情感丰富的歌唱片段，无需切换引擎即可让角色“开口唱歌”。\n- **便携高效部署**：NATSpeech 框架专为便携性设计，模型轻量化程度高，可轻松集成至游戏本地客户端或低配服务器中。\n- **流程一站式打通**：内置 Montreal Forced Aligner 数据处理流程，自动化完成音素对齐，让团队能在一天内完成新角色声音的微调与上线。\n\nNATSpeech 通过非自回归架构与扩散模型的结合，一举解决了游戏开发中语音生成的速度、歌声支持及部署难题，让沉浸式音频体验触手可及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNATSpeech_NATSpeech_25910fb7.png","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNATSpeech_5c38a47d.png","Advanced Non-Autoregressive Text-to-Speech Research",null,"https:\u002F\u002Fgithub.com\u002FNATSpeech",[77,81],{"name":78,"color":79,"percentage":80},"Python","#3572A5",99.7,{"name":82,"color":83,"percentage":84},"Shell","#89e051",0.3,1004,102,"2026-04-07T05:40:14","MIT",4,"Linux","未说明（基于 PyTorch 实现，通常训练需要 NVIDIA GPU，具体型号和显存未提及）","未说明",{"notes":94,"python":95,"dependencies":96},"官方仅在 Linux\u002FUbuntu 18.04 上测试过。建议使用 Anaconda 管理环境并创建虚拟环境。需要手动安装外部工具 Montreal Forced Aligner (MFA) 用于语音对齐，以及系统级音频处理库 sox。","3.6+",[97,98,99,100,101,102],"torch>=1.9.0","numpy==1.19.1","Cython","sox","libsox-fmt-mp3","Montreal Forced Aligner",[15,104,14],"音频",[106,107,108,109,110,111,112,113],"speech-synthesis","pytorch","tts","speech","huggingface","portaspeech","diffsinger","diffspeech","2026-03-27T02:49:30.150509","2026-04-11T21:49:12.534253",[117,122,127,132,137,142,147],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},29837,"运行 MFA 脚本时提示找不到 'fstcompile' 命令怎么办？","请确保您当前所处的环境已安装 openfst conda 包。如果您是自己编译的 openfst，请确保其二进制文件路径已添加到系统环境变量 PATH 中。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F28",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},29838,"运行 MFA 对齐数据时出现 DictionaryError，提示字典文件中未找到制表符（tabs）如何解决？","该错误表明字典文件（如 mfa_dict.txt）格式不正确。请检查字典文件，确保单词与其发音之间使用的是制表符（Tab）进行分隔，而不是空格或其他字符。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F27",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},29839,"ProsoSpeech 模型会在该仓库开源吗？","不会。ProsoSpeech 是作者实习期间所在公司的产品，因此不会在此处发布或开源。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F4",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},29840,"训练 FastSpeech\u002FFastSpeech2 时出现 find_unused_parameters 警告及内存问题如何解决？","该警告通常出现在使用共享代码训练不同模型时。虽然忽略警告可以运行，但若设置 find_unused_parameter=False 会导致约 50000 步后出现内存问题。目前社区正在探讨解决方案，建议暂时保留默认设置或关注后续更新以获取针对多任务共享参数的优化配置。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F26",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},29841,"为什么在归一化之前将 uv 和 f0 设置为 0？","这是一个误解。代码实际执行的是判断操作（`==`），即检查 uv 和 f0 是否等于 0，而不是将它们赋值为 0。这是为了处理静音或未发声片段的数据逻辑。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F17",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},29842,"如何处理包含音素、音节边界及重音信息的自定义数据？","对于包含音节边界和重音信息的自定义音频与音素数据，您需要编写特定的预处理脚本来对这些信息进行分词（tokenize）和编码。目前官方文档未提供直接支持此类复杂标注的自动化流程，建议参考现有数据生成脚本（data_gen），手动扩展音素映射表以包含重音标记，并在数据加载阶段解析音节边界信息。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F18",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},29843,"checkpoint 似乎被加载了两次，导致参数被覆盖，这是预期的行为吗？","这是一个潜在的逻辑问题。代码中首先根据 hparams['load_checkpoint'] 加载检查点，随后又在 trainer 初始化过程中再次加载，这可能导致指定的检查点路径参数失效并被最新的检查点覆盖。用户需检查 trainer.py 中的加载逻辑，必要时注释掉重复加载的代码行以确保指定检查点生效。","https:\u002F\u002Fgithub.com\u002FNATSpeech\u002FNATSpeech\u002Fissues\u002F24",[153],{"id":154,"version":155,"summary_zh":156,"released_at":157},206433,"pretrained_models","本版本包含 LJSpeech 预训练模型：\n- `hifi_lj.zip`：HiFi-GAN\n- `ps_normal_exp.zip`：PortaSpeech（普通版）\n- `ps_small_exp.zip`：PortaSpeech（小型版）\n- `ds_exp.zip`：DiffSpeech\n- `aux_exp.zip`：用于训练 DiffSpeech 的 FastSpeech2 预训练检查点","2022-02-13T03:54:07"]