[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jaywalnut310--glow-tts":3,"tool-jaywalnut310--glow-tts":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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":97,"env_deps":99,"category_tags":109,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":120},6615,"jaywalnut310\u002Fglow-tts","glow-tts","A Generative Flow for Text-to-Speech via Monotonic Alignment Search","Glow-TTS 是一款基于生成流的开源文本转语音（TTS）模型，旨在高效地将文字转换为自然的语音。传统并行 TTS 模型往往依赖外部自回归模型来提供对齐指导，这增加了训练复杂度。Glow-TTS 创新性地结合了生成流特性与动态规划算法，能够自主搜索文本与语音潜在表示之间最可能的“单调对齐”关系，从而无需任何外部对齐器即可独立训练。\n\n这一设计不仅解决了并行模型对外部引导的依赖问题，还带来了显著优势：在合成速度上比经典的 Tacotron 2 快一个数量级，同时保持相当的语音质量。此外，它支持长文本生成的鲁棒性，并具备快速、多样且可控的合成能力，还能轻松扩展至多说话人场景。后续更新中，通过结合 HiFi-GAN 声码器和引入空白令牌技术，进一步降低了背景噪声并提升了发音准确度。\n\nGlow-TTS 非常适合人工智能研究人员、语音技术开发者以及对高质量语音合成有需求的技术团队使用。虽然普通用户可通过其演示页面体验效果，但要充分发挥其潜力，使用者需具备一定的深度学习框架（如 PyTorch）基础和模型部署能力。作为一个兼顾速度与质量的解决方案，它为构建实时、高保真的语音应用提供了强有力的技","Glow-TTS 是一款基于生成流的开源文本转语音（TTS）模型，旨在高效地将文字转换为自然的语音。传统并行 TTS 模型往往依赖外部自回归模型来提供对齐指导，这增加了训练复杂度。Glow-TTS 创新性地结合了生成流特性与动态规划算法，能够自主搜索文本与语音潜在表示之间最可能的“单调对齐”关系，从而无需任何外部对齐器即可独立训练。\n\n这一设计不仅解决了并行模型对外部引导的依赖问题，还带来了显著优势：在合成速度上比经典的 Tacotron 2 快一个数量级，同时保持相当的语音质量。此外，它支持长文本生成的鲁棒性，并具备快速、多样且可控的合成能力，还能轻松扩展至多说话人场景。后续更新中，通过结合 HiFi-GAN 声码器和引入空白令牌技术，进一步降低了背景噪声并提升了发音准确度。\n\nGlow-TTS 非常适合人工智能研究人员、语音技术开发者以及对高质量语音合成有需求的技术团队使用。虽然普通用户可通过其演示页面体验效果，但要充分发挥其潜力，使用者需具备一定的深度学习框架（如 PyTorch）基础和模型部署能力。作为一个兼顾速度与质量的解决方案，它为构建实时、高保真的语音应用提供了强有力的技术支持。","# Glow-TTS: A Generative Flow for Text-to-Speech via Monotonic Alignment Search\n\n### Jaehyeon Kim, Sungwon Kim, Jungil Kong, and Sungroh Yoon\n\nIn our recent [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11129), we propose Glow-TTS: A Generative Flow for Text-to-Speech via Monotonic Alignment Search.\n\nRecently, text-to-speech (TTS) models such as FastSpeech and ParaNet have been proposed to generate mel-spectrograms from text in parallel. Despite the advantage, the parallel TTS models cannot be trained without guidance from autoregressive TTS models as their external aligners. In this work, we propose Glow-TTS, a flow-based generative model for parallel TTS that does not require any external aligner. By combining the properties of flows and dynamic programming, the proposed model searches for the most probable monotonic alignment between text and the latent representation of speech on its own. We demonstrate that enforcing hard monotonic alignments enables robust TTS, which generalizes to long utterances, and employing generative flows enables fast, diverse, and controllable speech synthesis. Glow-TTS obtains an order-of-magnitude speed-up over the autoregressive model, Tacotron 2, at synthesis with comparable speech quality. We further show that our model can be easily extended to a multi-speaker setting.\n\nVisit our [demo](https:\u002F\u002Fjaywalnut310.github.io\u002Fglow-tts-demo\u002Findex.html) for audio samples.\n\nWe also provide the [pretrained model](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1JiCMBVTG4BMREK8cT3MYck1MgYvwASL0).\n\n\u003Ctable style=\"width:100%\">\n  \u003Ctr>\n    \u003Cth>Glow-TTS at training\u003C\u002Fth>\n    \u003Cth>Glow-TTS at inference\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaywalnut310_glow-tts_readme_f0b9176e90ee.png\" alt=\"Glow-TTS at training\" height=\"400\">\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaywalnut310_glow-tts_readme_8fe96a695225.png\" alt=\"Glow-TTS at inference\" height=\"400\">\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n## Update Notes*\n\nThis result was not included in the paper. Lately, we found that two modifications help to improve the synthesis quality of Glow-TTS.; 1) moving to a vocoder, [HiFi-GAN](https:\u002F\u002Farxiv.org\u002Fabs\u002F2010.05646) to reduce noise, 2) putting a blank token between any two input tokens to improve pronunciation. Specifically, \nwe used a fine-tuned vocoder with Tacotron 2 which is provided as a pretrained model in the [HiFi-GAN repo](https:\u002F\u002Fgithub.com\u002Fjik876\u002Fhifi-gan). If you're interested, please listen to the samples in our [demo](https:\u002F\u002Fjaywalnut310.github.io\u002Fglow-tts-demo\u002Findex.html).\n\nFor adding a blank token, we provide a [config file](.\u002Fconfigs\u002Fbase_blank.json) and a [pretrained model](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1RxR6JWg6WVBZYb-pIw58hi1XLNb5aHEi). We also provide an inference example [inference_hifigan.ipynb](.\u002Finference_hifigan.ipynb). You may need to initialize HiFi-GAN submodule: `git submodule init; git submodule update`\n\n\n## 1. Environments we use\n\n* Python3.6.9\n* pytorch1.2.0\n* cython0.29.12\n* librosa0.7.1\n* numpy1.16.4\n* scipy1.3.0\n\nFor Mixed-precision training, we use [apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex); commit: 37cdaf4\n\n\n## 2. Pre-requisites\n\na) Download and extract the [LJ Speech dataset](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F), then rename or create a link to the dataset folder: `ln -s \u002Fpath\u002Fto\u002FLJSpeech-1.1\u002Fwavs DUMMY`\n\nb) Initialize WaveGlow submodule: `git submodule init; git submodule update`\n\nDon't forget to download pretrained WaveGlow model and place it into the waveglow folder.\n\nc) Build Monotonic Alignment Search Code (Cython): `cd monotonic_align; python setup.py build_ext --inplace`\n\n\n## 3. Training Example\n\n```sh\nsh train_ddi.sh configs\u002Fbase.json base\n```\n\n## 4. Inference Example\n\nSee [inference.ipynb](.\u002Finference.ipynb)\n\n\n## Acknowledgements\n\nOur implementation is hugely influenced by the following repos:\n* [WaveGlow](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fwaveglow)\n* [Tensor2Tensor](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensor2tensor)\n* [Mellotron](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fmellotron)\n","# Glow-TTS：基于单调对齐搜索的文本到语音生成流模型\n\n### 金在贤、金成元、孔正日和尹成浩\n\n在我们最近发表的[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11129)中，我们提出了Glow-TTS：一种基于单调对齐搜索的文本到语音生成流模型。\n\n近年来，诸如FastSpeech和ParaNet之类的并行文本到语音（TTS）模型被提出，用于从文本并行生成梅尔频谱图。尽管具有这一优势，但这些并行TTS模型仍需借助自回归TTS模型作为外部对齐器才能进行训练。在本工作中，我们提出了Glow-TTS，这是一种基于流的并行TTS生成模型，无需任何外部对齐器。通过结合流模型与动态规划的特性，该模型能够自主搜索文本与语音潜在表示之间最可能的单调对齐方式。我们证明，强制执行硬性单调对齐可以实现鲁棒的TTS系统，使其能够泛化到较长的语音片段；同时，采用生成流模型则能实现快速、多样且可控的语音合成。Glow-TTS在合成速度上比自回归模型Tacotron 2快了一个数量级，而语音质量却相当接近。此外，我们还表明，该模型可以轻松扩展到多说话人场景。\n\n请访问我们的[演示页面](https:\u002F\u002Fjaywalnut310.github.io\u002Fglow-tts-demo\u002Findex.html)，收听音频示例。\n\n我们还提供了[预训练模型](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1JiCMBVTG4BMREK8cT3MYck1MgYvwASL0)。\n\n\u003Ctable style=\"width:100%\">\n  \u003Ctr>\n    \u003Cth>Glow-TTS 训练时\u003C\u002Fth>\n    \u003Cth>Glow-TTS 推理时\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaywalnut310_glow-tts_readme_f0b9176e90ee.png\" alt=\"Glow-TTS 训练时\" height=\"400\">\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaywalnut310_glow-tts_readme_8fe96a695225.png\" alt=\"Glow-TTS 推理时\" height=\"400\">\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n## 更新说明*\n\n此结果未收录于论文中。近期我们发现，两项改进有助于提升Glow-TTS的合成质量：1) 改用声码器HiFi-GAN（[arXiv:2010.05646](https:\u002F\u002Farxiv.org\u002Fabs\u002F2010.05646)），以减少噪声；2) 在任意两个输入标记之间插入空白标记，以改善发音。具体而言，我们使用了与Tacotron 2配套的微调版声码器，该声码器作为预训练模型包含在[HiFi-GAN仓库](https:\u002F\u002Fgithub.com\u002Fjik876\u002Fhifi-gan)中。如果您感兴趣，请前往我们的[演示页面](https:\u002F\u002Fjaywalnut310.github.io\u002Fglow-tts-demo\u002Findex.html)试听相关样本。\n\n关于添加空白标记，我们提供了[配置文件](.\u002Fconfigs\u002Fbase_blank.json)和[预训练模型](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1RxR6JWg6WVBZYb-pIw58hi1XLNb5aHEi)。此外，我们还提供了一个推理示例[inference_hifigan.ipynb](.\u002Finference_hifigan.ipynb)。您可能需要初始化HiFi-GAN子模块：`git submodule init; git submodule update`\n\n\n## 1. 我们使用的环境\n\n* Python 3.6.9\n* PyTorch 1.2.0\n* Cython 0.29.12\n* Librosa 0.7.1\n* NumPy 1.16.4\n* SciPy 1.3.0\n\n对于混合精度训练，我们使用[apex](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex)，提交记录为：37cdaf4\n\n\n## 2. 先决条件\n\na) 下载并解压[LJ Speech数据集](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F)，然后重命名或创建指向数据集文件夹的符号链接：`ln -s \u002Fpath\u002Fto\u002FLJSpeech-1.1\u002Fwavs DUMMY`\n\nb) 初始化WaveGlow子模块：`git submodule init; git submodule update`\n\n别忘了下载预训练的WaveGlow模型，并将其放置在waveglow文件夹中。\n\nc) 构建单调对齐搜索代码（Cython）：`cd monotonic_align; python setup.py build_ext --inplace`\n\n\n## 3. 训练示例\n\n```sh\nsh train_ddi.sh configs\u002Fbase.json base\n```\n\n## 4. 推理示例\n\n请参阅[inference.ipynb](.\u002Finference.ipynb)\n\n\n## 致谢\n\n我们的实现深受以下项目的影响：\n* [WaveGlow](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fwaveglow)\n* [Tensor2Tensor](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensor2tensor)\n* [Mellotron](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fmellotron)","# Glow-TTS 快速上手指南\n\nGlow-TTS 是一种基于生成流的并行文本转语音（TTS）模型。它通过单调对齐搜索（Monotonic Alignment Search）自动学习文本与语音潜在表示之间的对齐关系，无需外部对齐器。相比自回归模型（如 Tacotron 2），它在保持相当音质的同时实现了数量级的速度提升，并支持长语句合成和多说话人扩展。\n\n## 环境准备\n\n### 系统要求\n- **Python**: 3.6.9\n- **PyTorch**: 1.2.0\n- **GPU**: 推荐 NVIDIA GPU 以加速训练和推理（若使用混合精度训练需安装 Apex）\n\n### 核心依赖\n请确保安装以下版本的库：\n- `cython`: 0.29.12\n- `librosa`: 0.7.1\n- `numpy`: 1.16.4\n- `scipy`: 1.3.0\n\n> **提示**：国内用户可使用清华或阿里镜像源加速 pip 安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n若需开启混合精度训练，请安装 NVIDIA Apex：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fapex\ncd apex\ngit checkout 37cdaf4\npip install -v --no-cache-dir .\u002F\n```\n\n## 安装步骤\n\n### 1. 获取代码与子模块\n克隆仓库并初始化子模块（包含 WaveGlow 等组件）：\n```bash\ngit clone \u003Crepository_url>\ncd glow-tts\ngit submodule init\ngit submodule update\n```\n*注意：请手动下载预训练的 WaveGlow 模型并放入 `waveglow` 文件夹中。*\n\n### 2. 编译对齐搜索代码\n构建用于单调对齐搜索的 Cython 扩展：\n```bash\ncd monotonic_align\npython setup.py build_ext --inplace\ncd ..\n```\n\n### 3. 准备数据集\n下载 [LJ Speech 数据集](https:\u002F\u002Fkeithito.com\u002FLJ-Speech-Dataset\u002F)，解压后建立软链接：\n```bash\n# 将 \u002Fpath\u002Fto\u002FLJSpeech-1.1\u002Fwavs 替换为实际数据路径\nln -s \u002Fpath\u002Fto\u002FLJSpeech-1.1\u002Fwavs DUMMY\n```\n\n## 基本使用\n\n### 训练模型\n使用默认配置文件启动训练（单卡或多卡分布式训练）：\n```sh\nsh train_ddi.sh configs\u002Fbase.json base\n```\n\n### 推理合成\n项目提供了 Jupyter Notebook 示例用于快速测试推理效果。请打开并运行以下文件：\n```text\ninference.ipynb\n```\n\n### 进阶：高质量合成（推荐）\n为了获得更佳的音质并减少噪声，官方推荐使用 **HiFi-GAN** 作为声码器，并在输入 token 间插入空白 token 以改善发音。\n\n1. **初始化 HiFi-GAN 子模块**：\n   ```bash\n   git submodule init\n   git submodule update\n   ```\n2. **使用专用配置与模型**：\n   - 配置文件：`configs\u002Fbase_blank.json`\n   - 预训练模型：[下载链接](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1RxR6JWg6WVBZYb-pIw58hi1XLNb5aHEi)\n3. **运行推理示例**：\n   请参考 `inference_hifigan.ipynb` 进行高质量语音合成。\n\n> **音频演示**：更多合成样本请访问 [官方 Demo 页面](https:\u002F\u002Fjaywalnut310.github.io\u002Fglow-tts-demo\u002Findex.html)。","某在线教育平台的技术团队正致力于将海量教材文本快速转化为自然流畅的有声课程，以支持视障学生及通勤场景下的学习需求。\n\n### 没有 glow-tts 时\n- **训练依赖繁琐**：团队必须先用传统的自回归模型（如 Tacotron 2）作为外部对齐器来指导训练，流程复杂且难以维护。\n- **合成速度缓慢**：由于采用串行生成机制，音频合成耗时极长，无法满足大规模内容实时转译的需求。\n- **长文本表现不佳**：在处理长篇课文时，模型容易出现节奏混乱或发音错误，泛化能力较弱。\n- **声音缺乏多样性**：生成的语音语调单一，难以通过参数灵活调整情感或风格，导致听感机械枯燥。\n\n### 使用 glow-tts 后\n- **无需外部对齐**：glow-tts 利用单调对齐搜索技术，自动在文本与语音潜在表示间寻找最佳对齐路径，彻底摆脱了对自回归模型的依赖。\n- **推理速度飞跃**：得益于并行生成架构，glow-tts 的合成速度比 Tacotron 2 提升了一个数量级，大幅缩短了课程上线周期。\n- **长句稳健清晰**：强制的硬单调对齐机制确保了即使在处理超长段落时，发音依然准确、节奏稳定。\n- **可控性与多样性增强**：基于生成流（Generative Flow）的特性，团队可以轻松调节输出语音的多样性和具体特征，使教学语音更具亲和力。\n\nglow-tts 通过端到端的并行生成与自动对齐机制，在保持高音质的前提下实现了效率与鲁棒性的双重突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaywalnut310_glow-tts_13ff926f.png","jaywalnut310","Jaehyeon Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjaywalnut310_6f77368d.png",null,"jaywalnut310.github.io","https:\u002F\u002Fgithub.com\u002Fjaywalnut310",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",91,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",8.9,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.1,707,154,"2026-04-01T08:00:04","MIT",4,"未说明","需要 NVIDIA GPU (用于混合精度训练和 HiFi-GAN)，具体型号和显存未说明，需安装 apex (commit: 37cdaf4)",{"notes":100,"python":101,"dependencies":102},"1. 训练前需编译 Cython 代码 (monotonic_align)。2. 官方推荐使用 HiFi-GAN 作为声码器以提升音质，需初始化对应的 git submodule 并下载预训练模型。3. 若使用带空白令牌 (blank token) 的改进版，需使用特定的配置文件和预训练模型。4. 数据集需手动下载 LJ Speech 并建立软链接。","3.6.9",[103,104,105,106,107,108],"pytorch==1.2.0","cython==0.29.12","librosa==0.7.1","numpy==1.16.4","scipy==1.3.0","apex",[14,110],"音频",[112,113,114,115,116],"pytorch","speech-synthesis","tts","deep-learning","text-to-speech","2026-03-27T02:49:30.150509","2026-04-11T22:10:46.436006",[],[]]