音频处理

FreGrad是一款轻量快速的频率感知扩散声码器，旨在生成逼真的音频。其框架包括离散小波变换、频率感知扩张卷积和一系列增强模型生成质量的技巧。在实验中，FreGrad相比基准模型，训练速度提升3.7倍，推理速度提升2.2倍，同时模型大小减少0.6倍（仅178万参数），而不牺牲输出质量。

NotebookLM是一款帮助用户理解复杂信息的工具，通过摘要和提供相关引用来简化信息的获取。它现在提供了一个名为'Audio Overview'的新功能，用户可以通过一键操作，将文档、幻灯片、图表等转化为AI生成的音频讨论。这些讨论不仅总结了材料内容，还在主题之间建立联系，并且可以下载以便随时随地收听。尽管Audio Overview仍处于实验阶段，存在一些限制，例如生成大型笔记本的音频概述可能需要几分钟时间，并且AI主持人目前只能使用英语进行解释，有时可能会引入不准确的内容，用户还不能打断它们。但这个功能为那些通过听对话来学习和记忆效果更好的人提供了新的学习方式。

ElevenLabs Studio 是一个专注于音频内容创作的平台，利用先进的人工智能技术，能够将文本内容转化为高质量的音频。其主要优点包括支持多种文件格式、提供丰富的语音库、能够根据情感和上下文调整语音表达等。该平台适用于有声读物制作、播客创作等场景，能够帮助创作者高效地生成音频内容，提升创作效率和质量。其定价策略可能因用户需求和使用场景而异，具体价格可参考官网的定价页面。

FLOAT是一种音频驱动的人像视频生成方法，它基于流匹配生成模型，将生成建模从基于像素的潜在空间转移到学习到的运动潜在空间，实现了时间上一致的运动设计。该技术引入了基于变换器的向量场预测器，并具有简单而有效的逐帧条件机制。此外，FLOAT支持语音驱动的情感增强，能够自然地融入富有表现力的运动。广泛的实验表明，FLOAT在视觉质量、运动保真度和效率方面均优于现有的音频驱动说话人像方法。

Make-An-Audio 2是一种基于扩散模型的文本到音频生成技术，由浙江大学、字节跳动和香港中文大学的研究人员共同开发。该技术通过使用预训练的大型语言模型(LLMs)解析文本，优化了语义对齐和时间一致性，提高了生成音频的质量。它还设计了基于前馈Transformer的扩散去噪器，以改善变长音频生成的性能，并增强时间信息的提取。此外，通过使用LLMs将大量音频标签数据转换为音频文本数据集，解决了时间数据稀缺的问题。

Bangin' Audio Recorder是一款专为苹果平台设计的应用程序，旨在简化声音捕捉和想法发展的过程。由音乐作曲家、开发者Alistair Cooper创立，该应用支持高质量单声道或立体声音频录制，具备定制的语音时间戳算法，便于用户扫描和跳过语音录音。它还提供星级评分功能，帮助用户筛选出最佳创意，并支持标签、项目和搜索功能，以保持用户对重要录音的专注。此外，它还具备iCloud同步功能，确保用户在所有苹果设备上的录音保持最新。

ParsePrompt是一款AI工具，能够将播客剪辑、音频、网页和YouTube视频转换和总结为AI生成的内容。用户可以使用它来构建提示、总结内容、提取关键主题等。ParsePrompt能够帮助用户以极大的便利和速度实现内容增长目标，将原本需要十人团队和数千美元成本的工作，用极小的成本和一个人团队就能完成。

Vocal Remover是一款 AI 驱动的在线音乐处理工具，可以 自动分离歌曲中的人声和伴奏，生成 卡拉 OK 版本 或 纯人声版本（Acapella），适用于 练歌、混音、音乐制作 等多种场景。它使用 强大的 AI 算法，仅需 10 秒 即可完成音轨分离，帮助用户快速获取所需的音频内容。

media.io是一款强大的人声去除器，使用人工智能技术可以瞬间从音乐中去除人声，支持MP3、MP4、AAC、WAV、MOV等二十多种音视频格式，最大可上传60分钟以内的音视频文件。速度快，免费、无需注册、不限次数。效果很不错。

音分轨-是制片帮视频制作平台(www.zhipianbang.com)旗下研发的产品，基于制片帮-悦音ANN-Rocknet人工智能引擎，提供快速、简单、高质量的音视频分轨软件服务,音分轨5.0卷积神经网络算法，让音质更加饱满、均衡，强劲的云端服务,让声音制作人、音乐家、DJ、音视频创作人以及其他音乐专业人士、创作人更加便捷、高效的进行创作。