[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-sotelo--parrot":3,"similar-sotelo--parrot":62},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":18,"owner_twitter":18,"owner_website":18,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":18,"difficulty_score":29,"env_os":30,"env_gpu":31,"env_ram":32,"env_deps":33,"category_tags":37,"github_topics":40,"view_count":46,"oss_zip_url":18,"oss_zip_packed_at":18,"status":47,"created_at":48,"updated_at":49,"faqs":50,"releases":61},2421,"sotelo\u002Fparrot","parrot","RNN-based generative models for speech.","Parrot 是一个基于循环神经网络（RNN）的开源语音合成项目，旨在实现从字符到波形的端到端语音生成。它主要解决了传统语音合成流程复杂、需要多阶段处理的问题，允许模型直接根据文本字符生成自然的音频波形，简化了技术链路。\n\n该项目特别适合人工智能研究人员、深度学习开发者以及对语音合成前沿技术感兴趣的学生使用。需要注意的是，目前代码库正处于重构和文档完善阶段，官方建议非紧急需求的用户稍后关注或联系作者获取最新进展，因此它更适合具备一定代码阅读能力、愿意参与早期探索的技术人员，而非寻求开箱即用解决方案的普通用户。\n\n在技术亮点方面，Parrot 的核心算法源自发表在 ICLR 会议上的 Char2Wav 论文，其神经声码器部分基于著名的 SampleRNN 架构构建。项目展示了出色的生成效率，在单块 P6000 GPU 上，该端到端模型能够在 1 秒内生成超过 4 秒的音频内容；通过批量处理技术，它甚至能在约 7.5 分钟内完成 200 条 10 秒长音频的生成任务，为高质量语音合成的实时化应用提供了有价值的参考实现。","# Speech synthesis using recurrent neural networks.\n\nThis repo has the code for our ICLR submission:\n\nJose Sotelo, Soroush Mehri, Kundan Kumar, João Felipe Santos, Kyle Kastner, Aaron Courville, Yoshua Bengio. Char2Wav: End-to-End Speech Synthesis.\n\nThe website is [here](http:\u002F\u002Fwww.josesotelo.com\u002Fspeechsynthesis).\n\nNOTE: The code is currently being refactored\u002Fcleaned\u002Fdocumented. We wanted to make it available as soon as possible but we know well that the current version is not ready for replication. Therefore, if you're interested in this, please come back later. Alternatively, you can send me an email and I will let you know when it's ready.\n\nNOTE(2): The code for the neural vocoder is based on [sampleRNN](https:\u002F\u002Fgithub.com\u002Fsoroushmehr\u002FsampleRNN_ICLR2017).\n\nUpdates:\n* SampleRNN modules added\n* End-to-end model can generate more than 4s of audio in 1s on p6000 gpu. (This is achieved by generating 200 samples of length 10s in a single batch. Total time taken for this is 448 seconds.)\n","# 基于循环神经网络的语音合成。\n\n此仓库包含我们提交至 ICLR 的论文代码：\n\nJose Sotelo, Soroush Mehri, Kundan Kumar, João Felipe Santos, Kyle Kastner, Aaron Courville, Yoshua Bengio. Char2Wav：端到端语音合成。\n\n项目主页位于 [这里](http:\u002F\u002Fwww.josesotelo.com\u002Fspeechsynthesis)。\n\n注意：目前代码正在重构、清理和添加文档。我们希望尽快将其公开，但也清楚当前版本尚不适合复现。因此，如果您对此感兴趣，请稍后再来查看。您也可以给我发送邮件，我会在准备好时通知您。\n\n注（2）：神经声码器的代码基于 [sampleRNN](https:\u002F\u002Fgithub.com\u002Fsoroushmehr\u002FsampleRNN_ICLR2017)。\n\n更新：\n* 添加了 sampleRNN 模块\n* 端到端模型在 p6000 显卡上可在 1 秒内生成超过 4 秒的音频。（实现方式是在一个批次中一次性生成 200 个长度为 10 秒的样本，总耗时为 448 秒。）","# Parrot (Char2Wav) 快速上手指南\n\n> **⚠️ 重要提示**：根据官方说明，当前代码库正在进行重构、清理和文档化工作。目前的版本**尚未准备好用于复现研究结果**。建议开发者暂时观望，或通过邮件联系作者获取最新就绪通知。以下指南基于现有代码结构整理，供早期探索者参考。\n\nParrot 是一个基于循环神经网络（RNN）的端到端语音合成项目，实现了 Char2Wav 模型，可直接从字符生成语音波形。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 16.04+)\n- **GPU**: NVIDIA GPU (推荐 Pascal 架构及以上，如 P6000)，需支持 CUDA\n- **Python**: Python 3.6+\n\n### 前置依赖\n确保已安装以下基础依赖：\n- CUDA Toolkit (版本需与 PyTorch\u002FTensorFlow 兼容)\n- cuDNN\n- Git\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fjosesotelo\u002Fparrot.git\n   cd parrot\n   ```\n\n2. **创建虚拟环境并安装依赖**\n   ```bash\n   python3 -m venv venv\n   source venv\u002Fbin\u002Factivate\n   pip install --upgrade pip\n   # 注：由于项目正在重构，requirements.txt 可能不完整，需根据实际报错手动安装\n   pip install torch torchvision torchaudio\n   pip install numpy scipy librosa soundfile\n   ```\n\n3. **安装 SampleRNN 模块（神经声码器基础）**\n   该项目部分代码基于 SampleRNN，确保相关子模块已更新：\n   ```bash\n   git submodule update --init --recursive\n   ```\n\n## 基本使用\n\n由于项目处于重构期，暂无封装好的命令行工具。以下为基于现有更新日志的核心逻辑示例（生成音频）：\n\n1. **数据准备**\n   将文本和对应的音频数据整理至 `data\u002F` 目录（具体格式需参考后续正式文档）。\n\n2. **模型推理示例**\n   根据更新日志，该模型支持批量生成。以下伪代码展示了在单块 P6000 GPU 上生成音频的逻辑：\n\n   ```python\n   import torch\n   from models import Char2Wav  # 假设的模型导入路径，具体以重构后代码为准\n\n   # 加载预训练模型\n   model = Char2Wav.load_pretrained('path\u002Fto\u002Fcheckpoint.pth')\n   model.cuda()\n   model.eval()\n\n   # 输入文本序列 (示例)\n   text_input = \"Hello world\" \n   \n   # 执行推理\n   # 更新日志提到：可在 1 秒内生成超过 4 秒的音频\n   # 实现方式：单次批处理生成 200 个长度为 10 秒的样本\n   with torch.no_grad():\n       audio_samples = model.generate(text_input, batch_size=200, duration=10.0)\n\n   # 保存音频\n   import soundfile as sf\n   sf.write('output.wav', audio_samples.cpu().numpy(), samplerate=16000)\n   ```\n\n> **注意**：由于代码正在清理中，上述类名 `Char2Wav` 及方法 `generate` 仅为逻辑示意。在实际运行前，请务必检查仓库中最新的 `scripts\u002F` 或 `examples\u002F` 目录以获取可执行的测试脚本。","一家小型有声书初创团队正试图将大量公版小说快速转化为高质量的音频内容，以低成本启动业务。\n\n### 没有 parrot 时\n- 依赖传统拼接式合成技术，生成的语音语调机械生硬，缺乏情感起伏，听众体验极差。\n- 端到端建模需要分别训练字符到频谱、频谱到波形的多个独立模型，流程繁琐且误差累积严重。\n- 生成高保真长音频耗时极长，在普通 GPU 上渲染几分钟的音频往往需要数小时，严重拖慢出版节奏。\n- 难以复现学术界最新的 RNN 语音研究成果，缺乏可用的开源代码库进行快速验证和迭代。\n\n### 使用 parrot 后\n- 利用 Char2Wav 端到端架构直接由字符生成波形，语音自然度显著提升，具备了接近真人的呼吸感和韵律。\n- 简化了技术栈，无需再维护复杂的中间频谱转换模块，单一模型即可完成从文本到高质量音频的全流程。\n- 借助优化的 SampleRNN 模块，在单张 P6000 GPU 上实现了高效推理，生成 10 秒音频仅需数秒，大幅缩短生产周期。\n- 直接基于 ICLR 论文级别的开源代码进行开发，团队能快速搭建原型并根据具体书籍风格微调模型参数。\n\nparrot 让资源有限的团队也能以极低门槛实现学术级的高保真语音合成，彻底改变了有声内容的生产效能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsotelo_parrot_93b34c36.png","sotelo","Jose","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsotelo_93356850.png","Previously:\r\nResearcher at @descriptinc\r\nCofounder at @lyrebird-ai\r\nPhD student at @mila-udem",null,"Montréal","https:\u002F\u002Fgithub.com\u002Fsotelo",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,609,105,"2026-03-06T21:40:39",5,"","需要 NVIDIA GPU，文中提及在 P6000 (24GB) 上运行效果良好，具体显存和 CUDA 版本未说明","未说明",{"notes":34,"python":32,"dependencies":35},"代码目前正在进行重构、清理和文档化，当前版本尚未准备好用于复现实验。神经声码器代码基于 sampleRNN 项目。建议在代码完善后再尝试使用，或联系作者获取最新状态。",[36],"sampleRNN",[38,39],"开发框架","音频",[41,42,43,44,45],"deep-learning","recurrent-neural-networks","speech-synthesis","theano","blocks",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T06:45:55.266547",[51,56],{"id":52,"question_zh":53,"answer_zh":54,"source_url":55},11134,"模型何时会对公众开放？","目前代码较为混乱，因为这是研究用的仓库，且缺少部分内容。团队正在开发新版本，但由于还有其他大量工作要做，暂时没有具体的发布日期。","https:\u002F\u002Fgithub.com\u002Fsotelo\u002Fparrot\u002Fissues\u002F8",{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},11135,"README 中的网站链接为什么无法访问？","该问题已在最新更新中解决。原因为链接应使用 http 而非 https（http:\u002F\u002Fwww.josesotelo.com\u002Fspeechsynthesis\u002F），感谢用户指出此问题。","https:\u002F\u002Fgithub.com\u002Fsotelo\u002Fparrot\u002Fissues\u002F3",[],[63,74,83,91,99,111],{"id":64,"name":65,"github_repo":66,"description_zh":67,"stars":68,"difficulty_score":69,"last_commit_at":70,"category_tags":71,"status":47},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。",162132,3,"2026-04-05T11:01:52",[38,72,73],"图像","Agent",{"id":75,"name":76,"github_repo":77,"description_zh":78,"stars":79,"difficulty_score":46,"last_commit_at":80,"category_tags":81,"status":47},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",138956,"2026-04-05T11:33:21",[38,73,82],"语言模型",{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":46,"last_commit_at":89,"category_tags":90,"status":47},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。",107662,"2026-04-03T11:11:01",[38,72,73],{"id":92,"name":93,"github_repo":94,"description_zh":95,"stars":96,"difficulty_score":46,"last_commit_at":97,"category_tags":98,"status":47},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[38,82],{"id":100,"name":101,"github_repo":102,"description_zh":103,"stars":104,"difficulty_score":46,"last_commit_at":105,"category_tags":106,"status":47},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[72,107,108,109,73,110,82,38,39],"数据工具","视频","插件","其他",{"id":112,"name":113,"github_repo":114,"description_zh":115,"stars":116,"difficulty_score":69,"last_commit_at":117,"category_tags":118,"status":47},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[73,72,38,82,110]]