没有合适的资源？快使用搜索试试~ 我知道了~

文库首页开发技术其它Python-PyTorch中的语音增强生成对抗网络

Python-PyTorch中的语音增强生成对抗网络

共28个文件

py：19个

sh：3个

m：1个

Python开发-机器学习

需积分: 50 23 下载量 23 浏览量 2019-08-11 05:37:41 上传评论 4 收藏 133KB ZIP 举报

温馨提示

Speech Enhancement Generative Adversarial Network in PyTorch

资源推荐

资源详情

资源评论

denoiser:波形域中的实时语音增强（Interspeech 2020）我们提供了论文《波形域中的实时语音增强》的PyTorch实现。其中，我们提出了一种因果语音增强模型，该模型处理了在便携式计算机CPU上实时运行的原始波形。所提出的模型基于具有跳过连接的编码器-解码器体系结构。使用多个损失函数，可以在时域和频域上对其进行优化。经验证据表明，它能够消除各种背景噪音，包括固定和非固定噪音以及房间混响。此外，我们建议将一组数据增强技术直接应用于原始波形，以进一步提高模型性能及其泛化能力

波形域中的实时语音增强（Interspeech 2020）我们提供了本文的实现：。其中，我们提出了一种因果语音增强模型，该模型处理了在便携式计算机CPU上实时运行的原始波形。所提出的模型基于具有跳过连接的编码器-解码器体系结构。使用多个损失函数，可以在时域和频域上对其进行优化。经验证据表明，它能够消除各种背景噪音，包括固定和非固定噪音以及房间混响。此外，我们建议直接在原始波形上应用一组数据增强技

Python-基于深度学习的语音增强使用keraspython

基于深度学习的语音增强使用keras python

LAVSE:适用于Lite视听语音增强的Python代码

Lite视听语音增强（Interspeech 2020）介绍这是的PyTorch实现。我们还将一些预处理后的样本数据（包括增强的结果）放入此存储库中。 TMSV的LAVSE使用的数据集（台湾汉语语音与视频）发布。如果您发现对研究有用的代码，请引用以下论文。 @inproceedings{chuang2020lite, title={Lite Audio-Visual Speec

speech-regeneration-enhancer:论文“高保真语音再生及其在语音增强中的应用”的非官方pytorch实施

再生促进剂该存储库通过Pytorch的再生实现提供语音增强。该算法基于，但是在特征提取以及模型参数方面进行了一些更改。待办事项清单：添加推理脚本实现流模型及其推论提供多语言增强模型（并适应特征提取）使pypi包发布预训练的模型要求该存储库已在带有GPU 1080 Ti的Ubuntu 16.04上进行了测试。 Python 3.7+（遵循） Cuda 10.0+（）

PyTorch生成对抗网络编程

5星 · 资源好评率100%

PyTorch生成对抗网络编程（畅销书《Python神经网络编程》作者最新力作！用PyTorch构建自己的生成对抗网络） by 塔里克·拉希德

利用PyTorch搭建基础生成对抗网络（GAN）

利用PyTorch搭建基础生成对抗网络（GAN），详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121401742

用PyTorch搭建条件生成对抗网络（CGAN）.ipynb

用PyTorch搭建条件生成对抗网络（CGAN），详情可参考文章：https://blog.csdn.net/didi_ya/article/details/121604572

使用PyTorch构建GAN生成对抗网络源码

使用PyTorch构建GAN生成对抗网络源码博客文章中包含了每行代码的详解，自行查看即可

PyTorch-GAN：生成对抗网络的PyTorch实现

该存储库已过时，因为很遗憾，我没有时间去维护它。如果您想作为合作者继续开发它，请给我发送电子邮件至。 PyTorch-GAN 研究论文中介绍了生成对抗网络的PyTorch实施的集合。模型体系结构不会总是反映论文中提出的那些，但是我选择专注于覆盖核心思想，而不是正确地配置每个层。我们非常欢迎GAN做出的贡献和建议。另请参阅：目录安装 $ git clone https://git

基于谱减法的语音增强处理

该程序是基于谱减法的语音增强程序，用matlab实现，取得了很好的效果。

torch-audiomentations:PyTorch中的快速音频数据增强。受到听觉启发的启发。对深度学习有用

PyTorch中的音频数据增强。受启发。支持CPU和GPU-速度是重中之重支持批量多声道（或单声道）音频变换扩展了nn.Module ，因此它们可以集成为pytorch神经网络模型的一部分大多数变换是可区分的三种模式： per_batch ， per_example和per_channel 跨平台兼容性麻省理工学院许可争取高测试覆盖率设置 pip install torch

Python-用PyTorch实现DeepVoice3语音合成

PyTorch实现基于卷积网络的文本到语音合成模型

Python-一个简单的PyTorch实现生成式对抗网络专注于动画脸部绘图

一个简单的PyTorch实现生成式对抗网络，专注于动画脸部绘图。A simple PyTorch Implementation of Generative Adversarial Networks, focusing on anime face drawing。

deepvoice3基于pytorch

基于pytorch的T2S工具源码，PyTorch implementation of convolutional networks-based text-to-speech synthesis models: arXiv:1710.07654: Deep Voice 3: Scaling Text-to-Speech with Convolutional Sequence Learning.

UnprocessDenoising_PyTorch:本文的非官方PyTorch代码-未处理的图像以供学习的原始去噪（CVPR'19）

CVPR'19（非官方的PyTorch代码）未经处理的图像用于学习的原始降噪本文的非官方PyTorch代码-未处理的图像，以供学习的原始降噪使用，CVPR'19，Tim Brooks，Ben Mildenhall，Tianfan Xue，Jiawen Chen，Dillon Sharlet，Jonathan T. Barron。此实现是从正式的Tensorflow代码中大量借用的，可以从。

python纯语音按信噪比加噪声

5星 · 资源好评率100%

按照信噪比公式SNR=10lg(PS/PN),其中Ps和Pn分别代表纯语音和纯噪声的平均功率，对纯语音和纯噪声进行批量合成。只需要将纯语音和纯噪声设置好路径，代码修改路径和信噪比即可批量合成。其中纯语音和纯噪声得都是单声道并且采样率相同的.wav文件。修改：为防止削波现象，建议将含噪语音除以（1+k）

DeepDenoisingAutoencoder:用于语音增强（DDAE）的Tensorflow实现

用于语音增强的深度降噪自动编码器（DDAE）的Tensorflow实现入门将此存储库克隆到本地计算机，然后首先运行create_dir.sh。先决条件 python 3.5 张量流-gpu 1.8.0 scikit学习0.19.1 scipy 1.1.0 h5py 2.7.1 librosa 0.5.1 numpy的1.14.3 tqdm 4.23.2 入门从下载免费数据

语音增强（speech enhancement）中英文版+书后所提到的MATLAB代码

5星 · 资源好评率100%

学习语音增强的同学们，这文件包含中英文加代码。非常适合学习。

python 计算平均平方误差(MSE)的实例

今天小编就为大家分享一篇python 计算平均平方误差的实例 (MSE)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

PyTorch生成对抗网络（DCGAN）代码.zip

5星 · 资源好评率100%

PyTorch生成对抗网络（DCGAN）代码

gans：在PyTorch和Tensorflow中实施的生成对抗网络

gans：生成对抗网络在PyTorch和Tensorflow中实现了多个生成对抗网络（GAN）。，以获取有关Generative Networks的介绍。香草甘氨酸在这个项目中发现的香草GAN是根据Goodfellow等人的原始论文《开发的。这些在上进行了训练，并学会了使用二维输入图像的一维矢量表示来创建手写数字图像。训练前后，类似MNIST的生成图像。直流电源此存储库中的

sagan-pytorch:PyTorch中自注意力生成对抗网络的实现

sagan-pytorch PyTorch中的自我注意生成对抗网络（SAGAN， //arxiv.org/abs/1805.08318）用法： python train.py路径输入目录的结构应如下所示（与torchvision.datasets.ImageFolder一样）：路径/类1 路径/类2 ... 评估FID分数的代码来自笔记来自DCGAN生成器的样本（无残留连接

GAN生成对抗网络实战(PyTorch版)

5星 · 资源好评率100%

分享视频教程——《GAN生成对抗网络实战(PyTorch版)》，2022最新升级版！本课程讲解GAN的基本原理和常见的各种GAN，提供数据集、代码和课件。适用人群： 1、对GAN生成对抗网络感兴趣的 2、对PyTorch感兴趣的 3、希望研究深度学习模型的

收起资源包目录

Python-PyTorch中的语音增强生成对抗网络.zip （28个子文件）

segan_pytorch-master

select_speakers.py 7KB

train.py 13KB

utils

stoi.m 8KB

purge_ckpts.py 1KB

run_segan+_train.sh 263B

run_wsegan_train.sh 341B

ckpt_segan+

train.opts 2KB

requirements.txt 169B

weightG_fmt_converter.py 1KB

segan

models

spectral_norm.py 2KB

ops.py 10KB

model.py 42KB

__init__.py 95B

generator.py 26KB

modules.py 13KB

core.py 12KB

discriminator.py 8KB

utils.py 27KB

__init__.py 67B

datasets

__init__.py 52B

se_dataset.py 24KB

vc_dataset.py 2KB

assets

segan+.png 76KB

README.md 4KB

clean.py 4KB

run_segan+_clean.sh 620B

eval_noisy_performance.py 3KB

.gitignore 1KB

共 28 条

评论收藏

内容反馈

资源评论

资源反馈

评论星级较低，若资源使用遇到问题可联系上传者，3个工作日内问题未解决可申请退款~

weixin_39840515

粉丝: 446
资源: 1万+

上传资源快速赚钱

我的内容管理展开

我的资源快来上传第一个资源

我的收益

登录查看自己的收益

我的积分登录查看自己的积分

我的C币登录后查看C币余额

我的收藏

我的下载

下载帮助

前往需求广场，查看用户热搜

Python-PyTorch中的语音增强生成对抗网络

segan：TensorFlow中的语音增强生成对抗网络

基于条件生成对抗网络的语音增强.pdf

Python-Audiomentations用于音频数据增强的Python库

Python实现语音识别和语音合成功能

基于Python的深度学习BP网络语音增强方法研究.pdf

【Python】Python 实现破零（ZF）和最小均方误差（MMSE）信道均衡（csdn）————程序.pdf

Python-基于深度学习的语音增强使用keraspython

LAVSE:适用于Lite视听语音增强的Python代码

speech-regeneration-enhancer:论文“高保真语音再生及其在语音增强中的应用”的非官方pytorch实施

PyTorch生成对抗网络编程

利用PyTorch搭建基础生成对抗网络（GAN）

用PyTorch搭建条件生成对抗网络（CGAN）.ipynb

使用PyTorch构建GAN生成对抗网络源码

PyTorch-GAN：生成对抗网络的PyTorch实现

基于谱减法的语音增强处理

torch-audiomentations:PyTorch中的快速音频数据增强。 受到听觉启发的启发。 对深度学习有用

Python-用PyTorch实现DeepVoice3语音合成

Python-一个简单的PyTorch实现生成式对抗网络专注于动画脸部绘图

deepvoice3基于pytorch

UnprocessDenoising_PyTorch:本文的非官方PyTorch代码-未处理的图像以供学习的原始去噪（CVPR'19）

python纯语音按信噪比加噪声

DeepDenoisingAutoencoder:用于语音增强（DDAE）的Tensorflow实现

语音增强（speech enhancement）中英文版+书后所提到的MATLAB代码

python 计算平均平方误差(MSE)的实例

PyTorch生成对抗网络（DCGAN）代码.zip

gans：在PyTorch和Tensorflow中实施的生成对抗网络

sagan-pytorch:PyTorch中自注意力生成对抗网络的实现

GAN生成对抗网络实战(PyTorch版)

最新资源

torch-audiomentations:PyTorch中的快速音频数据增强。受到听觉启发的启发。对深度学习有用