Parler-TTS 的文本轉語音庫。Parler-TTS 是開源的，允許用戶生成各種風格的語音。文章詳細說明安裝及使用方法。 Parler-TTS 十分輕量，可以通過一行代碼安裝。此外，模型仍處於開發中，目標是將來使用更多的數據進行訓練。
grok-1: Grok open release
Grok-1 是一個參數量達到 3140 億的 AI 大語言模型，其規模超越了 OpenAI GPT-3.5 的 1750 億參數，是目前世界上最大的開源 LLM 大語言模型。馬斯克通過其旗下的 AI 公司 xAI 開發了這一模型
(英)GitHub – xai-org/grok-1: Grok open release
Grok open release. Contribute to xai-org/grok-1 development by creating an account on GitHub.
馬斯克旗下的 AI 創企 xAI 在2023 年11月推出了第一代大語言模型 Grok，其中 Grok-0 是最初的版本，擁有 330 億參數。隨後，經過數次改進，推出了Grok-1。這一過程中，xAI 採用了 Mixture-of-Experts（MOE）技術，並對模型進行了持續的優化和增強。
開源時間方面，馬斯克在 2024 年 3 月 17 日正式宣佈開源 Grok-1
MobiLlama：0.5B 能在手機上運行的小型語言模型
llmware – LLM的企業級開發框架
GitHub – HIT-SCIR/huozi: 活字通用大模型
RVC-Boss/GPT-SoVITS 語音合成模型
功能：
- 零樣本文本到語音（TTS）： 輸入5秒的聲音樣本，即刻體驗文本到語音轉換。
- 少樣本TTS： 僅需1分鐘的訓練數據即可微調模型，提升聲音相似度和真實感。
- 跨語言支持： 支持與訓練數據集不同語言的推理，目前支持英語、日語和中文。
- WebUI工具： 集成工具包括聲音伴奏分離、自動訓練集分割、中文自動語音識別(ASR)和文本標注，協助初學者創建訓練數據集和GPT/SoVITS模型。
如果你是 Windows用戶（已在 win>=10上測試），可以直接通過預打包文件安裝。只需下載預打包文件，解壓後雙擊 go-webui.bat 即可啓動 GPT-SoVITS-WebUI。預訓練模型
GPT-SoVITS语音克隆AI，只需一分钟素材训练模型，效果堪比商用。一键安装，附Colab脚本 | TTS | RVC|GPT-SoVITS Colab
從 GPT-SoVITS Models 下載預訓練模型，並將它們放置在 GPT_SoVITS\pretrained_models 中。
對於中文自動語音識別（另外），從 Damo ASR Model, Damo VAD Model, 和 Damo Punc Model 下載模型，並將它們放置在 tools/damo_asr/models 中。
對於UVR5（人聲/伴奏分離和混響移除，另外），從 UVR5 Weights 下載模型，並將它們放置在 tools/uvr5/uvr5_weights 中。
數據集格式
文本到語音（TTS）注釋 .list 文件格式：
vocal_path|speaker_name|language|text
語言字典：
- ‘zh’: Chinese
- ‘ja’: Japanese
- ‘en’: English
示例：
D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.
Moore-AnimateAnyone
GitHub – MooreThreads/Moore-AnimateAnyone
Contribute to MooreThreads/Moore-AnimateAnyone development by creating an account on GitHub.
GitHub – MooreThreads/Moore-AnimateAnyone
Moore-AnimateAnyone 是一個開放源碼的專案，由 MooreThreads 創建與維護。此專案的目的是讓用戶能夠用簡便的方式來動畫化任何人物。
透過這個軟件，用戶可以將靜態的圖片或者是人物照片轉化成動態的動畫。它能讓角色栩栩如生，仿佛擁有了自己的情感和行動，這對於動漫創作者、游戲開發者或是任何需要虛擬人物動畫的創意工作者來說，都是一個非常有用的工具。
該平台的設計考慮到了易用性，即便是沒有編程經驗的人也可以輕鬆上手。用戶可以自定義角色的行為，並將它們應用於不同的娛樂或教育場景中。
此外，Moore-AnimateAnyone 專案鼓勵開源協作。這意味著任何有興趣的開發者都可以加入這個專案，通過貢獻代碼、文檔、反饋和維護等方式來完善這一工具。
台灣-繁體中文 LLM v2，包括 7B 和 13B 模型
Taiwan LLM 基於 Meta Llama 2 的全參數微調模型技術，融合台灣本土的文本資料，包括公開的百科、新聞、小說、雜誌以及社群討論等，涵蓋超過 200 億個繁體中文字，使大型語言模型能對台灣地區的問題回答得更精確
Taiwan-LLM 是一個基於 Meta/LLaMa-2 ，適用於繁體中文應用。
台灣-LLM v2.0 13B 對超過 300 億個標記進行了預訓練，並對超過 100 萬個傳統普通話指令跟踪對話進行了指令調整。
台灣-LLM v2.0 7B 對超過 300 億個標記進行了預訓練，並對超過 100 萬個傳統普通話指令跟踪對話進行了指令調整。
台灣-LLM v1.0 13B 對超過 50 億個標記進行了預訓練，並對超過 49 萬個傳統普通話對話進行了指令調整。
Amphion 多功能聲頻 LLM
香港中文大學（深圳）、上海人工智慧實驗室和深圳大數據研究院聯合開發。
(more…)大規模中文自然語言處理 nlp_chinese_corpus
大规模中文自然语言处理语料 Large Scale Chinese Corpus for NLP. Contribute to brightmart/nlp_chinese_corpus development by creating an account on GitHub.
語料庫將會不斷擴充。。。
一期目標：10個百萬級中文語料 & 3個千萬級中文語料(2019年5月1號)
二期目標：30個百萬級中文語料 & 10個千萬級中文語料 & 1個億級中文語料（2019年12月31日）
Update： 增加高質量社區問答json版(webtext2019zh)，可用於訓練超大規模NLP模型；添加520萬翻譯語料(translation2019zh)。
1.維基百科(wiki2019zh)，100萬個結構良好的中文詞條
2.新聞語料(news2016zh)，250萬篇新聞，含關鍵詞、描述
3.百科問答(baike2018qa)，150萬個帶問題類型的問答
4.社區問答json版(webtext2019zh)，410萬個高質量社區問答，適合訓練超大模型
5.翻譯語料(translation2019zh)，520萬個中英文句子對
中文的信息無處不在，但如果想要獲得大量的中文語料，卻是不太容易，有時甚至非常困難。在2019年初這個時點上，
普通的從業者、研究人員或學生，並沒有一個比較好的渠道獲得極大量的中文語料。筆者想要訓練一個中文的詞向量，
在百度和github上上搜索了好久，收穫卻很少：要麼語料的量級太小，要麼數據過於成舊，或需要的處理太複雜。
不知道你是否也遇到了這樣的問題？
我們這個項目，就是為瞭解決這一問題貢獻微薄之力。