PaddleSpeech

SpeechT5 是一个基于 Transformer 架构的语音技术平台，提供语音合成、识别、情感分析等多种功能。

Google Cloud Text-to-Speech API 使开发人员能够借助超过 100 种语音合成自然语音，支持多种语言和变体。

Mubert 是一个生成个性化背景音乐（BGM）的工具，适用于视频、直播等场景。

Riffusion 是一个基于稳定扩散技术的实时音乐和音频生成库。 它通过先进的扩散管道，实现了提示插值与图像条件化的结合，能够将 spectrogram 图像与音频片段进行转换。

FastSpeech2 是微软提出的一个快速、高质量的端到端文本转语音(TTS)模型，是 FastSpeech 的改进版本，特别适合于实时语音播报、智能客服等场景。

Udio 是由前谷歌 DeepMind 研究员创建的创新型 AI 音乐生成器。