作者：Chu-Tak Li
2025年07月14日
生成对抗网络（Generative Adversarial Networks，简称 GAN）是一类用于无监督机器学习的人工智能算法，通过两个神经网络在零和博弈框架中相互竞争来实现。这项技术能够生成新的数据实例，这些实例可以被认为是真实数据。
2025年07月14日
选自arXiv
作者：Alexia Jolicoeur-Martineau
编辑：小舟、蛋酱
SVM 是机器学习领域的经典算法之一。如果将 SVM 推广到神经网络，会发生什么呢？
2025年07月14日
人工智能语音克隆是一种捕捉声音的独特特征，然后准确性复制它的技术。这种技术不仅可以让我们复制现有的声音，还可以创造全新的声音。它是一种彻底改变内容创作的工具，从个性化歌曲到自定义画外音，开辟了一个超越语言和文化障碍的创意世界。
本文的将提供利用AI语音克隆技术-通过训练自定义模型将任何音频转换为选定艺术家的音调甚至自己的声音的端到端解决方案。
我们将在本文中使用的技术称为歌唱声音转换(Singing Voice Conversion )，特别是一个称为SO-VITS-SVC的系统，它代表“SoftVC VITS Singing Voice Conversion”。
2025年07月14日
自从扩散模型发布以来，GAN的关注度和论文是越来越少了，但是它们里面的一些思路还是值得我们了解和学习。所以本文我们来使用Pytorch 来实现SN-GAN
谱归一化生成对抗网络是一种生成对抗网络，它使用谱归一化技术来稳定鉴别器的训练。谱归一化是一种权值归一化技术，它约束了鉴别器中每一层的谱范数。这有助于防止鉴别器变得过于强大，从而导致不稳定和糟糕的结果。
SN-GAN由Miyato等人(2018)在论文“生成对抗网络的谱归一化”中提出，作者证明了sn - gan在各种图像生成任务上比其他gan具有更好的性能。