찾다
기술 주변기기일체 포함Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

최근 칭화대학교 컴퓨터과학과 Zhu Jun 교수 연구팀이 발표한 슈뢰딩거 다리[1] 기반 음성 합성 시스템은 "데이터- 데이터에 대한" 생성 패러다임 "잡음에 대한 데이터" 패러다임.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

문서 링크: https://arxiv.org/abs/2312.03491
프로젝트 웹사이트: https://bridge-tts.github.io/
코드 구현: https://github.com/thu -ml/Bridge-TTS

문제 배경

2021년부터 텍스트-음성 합성(text-to-speech) 분야에서는 확산 모델이 가장 인기를 끌기 시작했습니다. , TTS) Huawei의 Noah's Ark Laboratory에서 제안한 Grad-TTS [2]와 Zhejiang University에서 제안한 DiffSinger [3]와 같은 핵심 생성 방법 중 하나가 높은 생성 품질을 달성했습니다. 그 이후로 많은 연구 작업에서 사전 최적화[2, 3, 4], 모델 증류[5, 6], 잔차 예측[7] 및 기타 방법을 통해 확산 모델의 샘플링 속도를 효과적으로 향상시켰습니다. 그러나 본 연구에서 보듯이 확산 모델은 "noise to data"라는 생성 패러다임에 국한되어 있기 때문에 사전 분포는 항상 생성 대상에 대한 제한된 정보를 제공하며 조건 정보를 충분히 활용할 수 없습니다.

음성 합성 분야의 최신 연구 작업인 Bridge-TTS는 슈뢰딩거 브리지 기반 생성 프레임워크를 사용하여 "데이터-데이터" 생성 프로세스를 최초로 실현합니다. 음성 합성의 사전 정보입니다. 노이즈에서 클린 데이터로 수정되고 는 분포에서 결정적 표현으로 수정됩니다.

이 방법의 주요 아키텍처는 위 그림에 나와 있습니다. 먼저 텍스트 인코더를 통해 입력 텍스트를 추출하여 생성된 대상의 잠재 공간 표현(멜-스펙트로그램, 멜 스펙트럼)을 추출합니다. 이후 이 정보를 잡음 분포에 통합하거나 조건 정보로 사용하는 확산 모델과 달리 Bridge-TTS 방식은 이를 직접 사전 정보로 활용하고 무작위 또는 결정적 샘플링을 지원하여
고품질, 고속
타겟 생성을 지원합니다.

작업 결과

음성 합성 품질 검증을 위한 표준 데이터 세트인 LJ-Speech에서 연구팀은 9개의 고품질 음성 합성 시스템과 확산 장치로 Bridge-TTS를 가속화했습니다. 모델 샘플링 방법을 비교했습니다. 아래에 표시된 것처럼 이 방법은
샘플 품질
(1000단계, 50단계 샘플링) 및 후처리 없이 샘플링 속도에서 고품질 확산 모델 기반 TTS 시스템[2, 3, 7]을 능가합니다. 추가 모델 증류와 같이 잔차 예측, 점진적 증류 및 최신 합의 증류와 같은 많은 가속 방법을 능가합니다 [5, 6, 7].
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.다음은 Bridge-TTS의 생성 효과와 확산 모델 기반 방법의 예입니다. 더 많은 세대 샘플 비교를 보려면 프로젝트 웹사이트(https://bridge-tts.github.io/
)를 방문하세요.

  • 1000단계 합성 효과 비교

  • 텍스트 입력: "그러면 우리의 목적에 따라 인쇄는 활자를 통해 책을 만드는 예술로 간주될 수 있습니다."
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
  • 4 단계 합성 효과 비교

  • 입력 텍스트: "첫 번째 책은 검은색 글자로 인쇄되었습니다. 즉, 고대 로마 문자의 고딕 발전 문자입니다."
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
  • 2
    단계 합성 효과 비교

입력 텍스트: "교도소 인구는 크게 변동했습니다."
다음은 Bridge-의 결정론적 합성(ODE 샘플링)을 보여줍니다. 2단계 TTS와 4단계 )의 경우입니다. 4단계 합성에서 이 방법은 확산 모델에 비해 훨씬 더 많은 샘플 세부 사항을 합성하며 잔류 노이즈 문제도 없습니다. 2단계 합성에서 이 방법은 완전히 순수한 샘플링 궤적을 나타내며 각 단계에서 생성된 세부 정보를 더 구체화합니다. Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.주파수 영역에서는 1000단계의 합성에서 더 많은 샘플이 생성되며, 이 방법은 샘플링 단계를 50단계로 줄였을 때 확산 모델에 비해 더 높은 품질의 멜 스펙트럼을 생성합니다. 확산 모델은 일부 샘플링 세부 사항을 희생했지만 Schrödinger 브리지 기반 방법은 여전히 ​​고품질 생성 결과를 유지합니다. 4단계 및 2단계 합성에서 이 방법은 증류, 다단계 학습, 적대적 손실 함수가 필요하지 않으며 여전히 고품질 생성 효과를 달성합니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

1000단계 합성에서 Bridge-TTS와 확산모델 기반 방법의 Mel 스펙트럼 비교

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

50단계 합성에서 Bridge-TTS와 확산 모델 기반 방법 확산 모델 방법의 멜 스펙트럼 비교

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

4단계 합성에서 Bridge-TTS와 확산 모델 기반 방법의 Mel 스펙트럼 비교
Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.
2단계 합성에서는 Bridge-TTS와 확산 기반 방법 방법 모델 방법의 멜 스펙트럼 비교

Bridge-TTS는 출시 당시 참신한 디자인과 음성 합성의 고품질 합성 효과로 트위터에서 뜨거운 관심을 받았으며 수백 개가 넘는 댓글을 받았습니다. 100개의 리트윗과 수백 개의 좋아요를 받은 허깅페이스는 12.7일 허깅페이스 데일리 페이퍼에 선정돼 이날 지지율 1위를 차지함과 동시에 링크드인, 웨이보, 지후 등 국내외 다수 플랫폼에서 팔로우를 기록했다. Xiaohongshu 및 앞으로 보고서.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

많은 외국어 사이트에서도 보고되고 논의되었습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

방법 소개

슈뢰딩거 브리지는 확산 모델에 이어 최근에 등장한 모델 중 하나입니다. deep generative model은 이미지 생성, 이미지 번역 및 기타 분야에 예비 적용됩니다[8,9]. 데이터와 가우스 노이즈 간의 변환 프로세스를 설정하는 확산 모델과 달리 슈뢰딩거 브리지는 두 경계 분포 간의 변환을 지원합니다. Bridge-TTS 연구에서 저자는 다양한 순방향 프로세스, 예측 대상 및 샘플링 프로세스를 유연하게 지원하는 쌍 데이터 간의 Schrödinger 브리지를 기반으로 하는 음성 합성 프레임워크를 제안했습니다. 해당 방법의 개요는 아래 그림에 나와 있습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • 전진 프로세스: 이 연구는 강력한 정보 사전 정보와 생성 목표 사이에 완전히 해결 가능한 슈뢰딩거 브리지를 구축하여 유연한 전진 프로세스를 지원합니다. 대칭 노이즈 중에서 선택합니다. 전략: Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다., 상수Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.비대칭 잡음 전략: Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다., 선형Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다. 및 확산 모델에 직접적으로 대응하는 분산 보존(VP)잡음 전략. 이 방법은 음성 합성 작업에서 비대칭 잡음 전략: 선형 Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.(gmax) 및 VP 프로세스가 대칭 잡음 전략보다 더 나은 생성 효과를 갖는다는 것을 발견했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • 모델 훈련: 이 방법은 단일 단계, 단일 모델, 단일 손실 함수 등 확산 모델 훈련 프로세스의 여러 장점을 유지합니다. 그리고 잡음 예측(Noise), 생성 목표 예측(Data), 확산 모델에 대응하는 흐름 매칭 기술 등 다양한 모델 매개변수화(Model paramization), 즉 네트워크 훈련 대상 선정 방법을 비교한다[10,11 ] 속도예측(Velocity) 등 기사에서는 생성 대상, 즉 멜 스펙트럼을 네트워크 예측 대상으로 사용할 경우 상대적으로 더 나은 생성 결과를 얻을 수 있음을 발견했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

  • Sampling process: 본 연구에서는 슈뢰딩거 브리지의 완전히 해결 가능한 형태 덕분에 슈뢰딩거 브리지에 해당하는 전방향-후진 SDE 시스템을 변환하여 저자는 브리지 SDE와 추론에는 Bridge ODE가 사용됩니다. 동시에 Bridge SDE/ODE 추론의 직접 시뮬레이션 속도가 느리기 때문에 샘플링 속도를 높이기 위해 본 연구에서는 확산 모델에서 일반적으로 사용되는 지수 적분기를 사용했으며[12,13], 1차 슈뢰딩거 브리지의 SDE 및 ODE 샘플링 형식:

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

1단계 샘플링에서는 1차 SDE와 ODE의 샘플링 형식이 공동으로 네트워크의 단일 단계 예측으로 변질됩니다. 동시에 이는 사후 샘플링/확산 모델인 DDIM 샘플링과 밀접한 관련이 있으며, 기사에서는 부록에서 자세한 분석을 제공합니다. 이 기사에서는 슈뢰딩거 브리지의 2차 샘플링 SDE 및 ODE 샘플링 알고리즘도 제공합니다. 저자는 음성 합성에서 생성 품질이 1차 샘플링 프로세스와 유사하다는 것을 발견했습니다.

음성 향상, 음성 분리, 음성 편집 등 사전 정보가 강한 기타 작업에서도 저자는 이 연구가 더 큰 응용 가치를 가져올 것으로 기대합니다.

저자 소개

이 연구에는 세 명의 공동 제1저자가 있습니다: Chen Zehua, He Guande 및 Zheng Kaiwen은 모두 Tsinghua University 컴퓨터 과학과의 Zhu Jun 연구 그룹에 속합니다. 해당 기사의 교신저자는 Microsoft Asia Research의 Zhu Jun 교수이며 연구소의 수석 연구 관리자인 Tan Xu는 프로젝트 공동 작업자입니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

                                                                                                                                                                      Tan Xu, Microsoft Research Asia 수석 연구 관리자, 음향 효과, 생체 전기 신호 합성 및 기타 애플리케이션. 그는 Microsoft, JD.com, TikTok 등 여러 회사에서 인턴으로 일했으며 ICML/NeurIPS/ICASSP 등 음성 및 기계 학습 분야의 중요한 국제 회의에서 많은 논문을 발표했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

He Guande는 칭화대학교 석사 3학년 학생입니다. 그의 주요 연구 방향은 불확실성 추정 및 생성 모델입니다. 그는 이전에 ICLR과 같은 컨퍼런스에서 첫 번째 저자로 논문을 발표했습니다.

Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.

Zheng Kaiwen은 칭화 대학교 석사 2년차 학생입니다. 그의 주요 연구 방향은 심층 생성 모델의 이론과 알고리즘, 그리고 이미지, 오디오 및 3D 생성에 대한 응용입니다. 그는 이전에 ICML/NeurIPS/CVPR과 같은 주요 컨퍼런스에서 확산 모델의 흐름 일치 및 지수 적분기와 같은 기술과 관련된 많은 논문을 발표했습니다.

참고 자료:
[1] Zehua Chen, Guande He, Kaiwen Zheng, Xu Tan 및 Jun Zhu는 텍스트-음성 합성에서 확산 모델을 이겼습니다. :2312.03491, 2023.
[2] Vadim Popov, Ivan Vovk, Vladimir Gogoryan, Tasnima Sadekova 및 Mikhail A. Kudinov: 텍스트 음성 변환을 위한 확산 확률 모델, 2021.
[3] Jinglin Liu, Chengxi Li, Yi Ren, Feiyang Chen 및 Zhou Zhao: AAAI에서 얕은 확산 메커니즘을 통한 노래 음성 합성, 2022.
[ 4 ] 이상길, 김희승, 신채훈, Xu Tan, Chang Liu, Qi Meng, Tao Qin, Wei Chen, 윤성로, Tie-Yan Liu. PriorGrad: 데이터 종속 적응형 사전을 사용한 조건부 노이즈 제거 확산 모델 개선 . ICLR, 2022.
[5] Rongjie Huang, Zhou Zhao, Huadai Liu, Jinglin Liu, Chenye Cui 및 Yi Ren: 고품질 텍스트 음성 변환을 위한 점진적 고속 확산 모델. ACM 멀티미디어, 2022.
[6] Zhen Ye, Wei Xue, Xu Tan, Jie Chen, Qifeng Liu 및 Yike Guo. ACM 멀티미디어의 일관성 모델을 통한 원스텝 음성 및 노래 음성 합성. , 2023.
[7] Zehua Chen, Yihan Wu, Yichong Leng, Jiawei Chen, Haohe Liu, Xu Tan, Yang Cui, Ke Wang, Lei He, Sheng Zhao, Jiang Bian 및 Danilo P. Mandic ResGrad: 텍스트 음성 변환을 위한 잔류 노이즈 제거 확률 모델. arXiv 사전 인쇄 arXiv:2212.14518, 2022.
[8] Yuyang Shi, Valentin De Bortoli, Andrew Campbell 및 Arnaud Doucet. 에서 NeurIPS 2023.
[9] Guan-Horng Liu, Arash Vahdat, De-An Huang, Evangelos A. Theodorou, Weili Nie 및 Anima Anandkumar: 이미지 간 슈뢰딩거 브리지. 2023.
[10] Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu, Maximilian Nickel 및 Matt Le. ICLR의 생성 모델링, 2023.
[11] Kaiwen Zheng, Cheng Lu, Jianfei Chen 및 Jun Zhu. ICML의 최대 가능성 추정을 위한 향상된 기술, 2023.
[12] Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li 및 Jun Zhu: 약 10단계의 확산 확률 모델 샘플링을 위한 빠른 ODE 솔버. In NeurIPS, 2022.
[13] Kaiwen Zheng, Cheng Lu, Jianfei Chen 및 Jun Zhu . DPM-Solver-v3: NeurIPS에서 경험적 모델 통계를 사용하여 향상된 확산 ODE 솔버, 2023.

위 내용은 Schrödinger Bridge의 도움으로 Tsinghua University의 Zhu Jun 팀은 확산 문제를 해결하기 위한 새로운 음성 합성 시스템을 개발했습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명
이 기사는 机器之心에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제
인간의 개입없이 LLM을 훈련시키는 7 가지 방법인간의 개입없이 LLM을 훈련시키는 7 가지 방법Apr 15, 2025 am 10:38 AM

자율 AI 잠금 해제 : 7 자체 훈련 LLM을위한 7 가지 방법 AI 시스템이 복잡한 개념을 독립적으로 마스터하는 어린이들과 마찬가지로 AI 시스템이 인간의 개입없이 배우고 진화하는 미래를 상상해보십시오. 이것은 공상 과학이 아닙니다. 그것은 자기의 약속입니다

AI 및 NLG로 재무보고 혁신 - 분석 VidhyaAI 및 NLG로 재무보고 혁신 - 분석 VidhyaApr 15, 2025 am 10:35 AM

AI 기반 재무보고 : 자연어 생성을 통한 통찰력 혁명 오늘날의 역동적 인 비즈니스 환경에서, 정확하고시기 적절한 재무 분석은 전략적 의사 결정에 가장 중요합니다. 전통적인 재무보고

이 Google Deepmind 로봇이 2028 년 올림픽에서 플레이할까요?이 Google Deepmind 로봇이 2028 년 올림픽에서 플레이할까요?Apr 15, 2025 am 10:16 AM

Google Deepmind의 탁구 로봇 : 스포츠 및 로봇 공학의 새로운 시대 파리 2024 올림픽은 끝났을 지 모르지만 Google Deepmind 덕분에 스포츠와 로봇 공학의 새로운 시대가 시작되었습니다. 그들의 획기적인 연구 ( "인간 수준의 경쟁 달성

Gemini Flash 1.5 모델을 사용하여 Food Vision WebApp 구축Gemini Flash 1.5 모델을 사용하여 Food Vision WebApp 구축Apr 15, 2025 am 10:15 AM

Gemini Flash의 효율성 및 확장 성 잠금 해제 1.5 : Flask Food Vision WebApp 빠르게 진화하는 AI 환경에서 효율성과 확장 성이 가장 중요합니다. 개발자는 비용과 대기 시간을 최소화하는 고성능 모델을 점점 더 많이 찾습니다.

llamaindex를 사용하여 AI 에이전트 구현llamaindex를 사용하여 AI 에이전트 구현Apr 15, 2025 am 10:11 AM

Llamaindex로 AI 에이전트의 힘을 활용하십시오 : 단계별 가이드 빠른 계산이든 최신 시장 뉴스를 검색하든, 귀하의 요청을 이해하고 완벽하게 실행하는 개인 비서를 상상해보십시오. 이 기사는 탐구합니다

.ipynb 파일을 pdf- 분석 Vidhya로 변환하는 5 가지 방법.ipynb 파일을 pdf- 분석 Vidhya로 변환하는 5 가지 방법Apr 15, 2025 am 10:06 AM

Jupyter Notebook (.ipynb) 파일은 데이터 분석, 과학 컴퓨팅 및 대화식 인코딩에 널리 사용됩니다. 이 노트북은 다른 데이터 과학자와 코드를 개발하고 공유하는 데 적합하지만 때로는 PDF와 같은보다 일반적으로 읽을 수있는 형식으로 변환해야합니다. 이 안내서는 .ipynb 파일을 PDF로 변환하는 다양한 방법과 팁, 모범 사례 및 문제 해결 제안을 안내합니다. 목차 .ipynb를 pdf로 변환하는 이유는 무엇입니까? .ipynb 파일을 PDF로 변환하는 방법 Jupyter Notebook UI 사용 nbconve 사용

LLM 양자화 및 사용 사례에 대한 포괄적 인 안내서LLM 양자화 및 사용 사례에 대한 포괄적 인 안내서Apr 15, 2025 am 10:02 AM

소개 대형 언어 모델 (LLM)은 자연어 처리에 혁명을 일으키고 있지만 엄청난 규모와 계산 요구는 제한 배포를 제한합니다. 모델을 축소하고 계산 비용을 낮추는 기술인 양자화는 중요한 솔루입니다.

파이썬이있는 셀레늄에 대한 포괄적 인 가이드파이썬이있는 셀레늄에 대한 포괄적 인 가이드Apr 15, 2025 am 09:57 AM

소개 이 안내서는 웹 자동화 및 테스트를위한 셀레늄과 파이썬의 강력한 조합을 탐구합니다. Selenium은 브라우저 상호 작용을 자동화하여 대규모 웹 애플리케이션의 테스트 효율성을 크게 향상시킵니다. 이 튜토리얼은 o

See all articles

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
4 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
4 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
4 몇 주 전By尊渡假赌尊渡假赌尊渡假赌
WWE 2K25 : Myrise에서 모든 것을 잠금 해제하는 방법
1 몇 달 전By尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

VSCode Windows 64비트 다운로드

VSCode Windows 64비트 다운로드

Microsoft에서 출시한 강력한 무료 IDE 편집기

에디트플러스 중국어 크랙 버전

에디트플러스 중국어 크랙 버전

작은 크기, 구문 강조, 코드 프롬프트 기능을 지원하지 않음

SublimeText3 Linux 새 버전

SublimeText3 Linux 새 버전

SublimeText3 Linux 최신 버전

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

DVWA

DVWA

DVWA(Damn Vulnerable Web App)는 매우 취약한 PHP/MySQL 웹 애플리케이션입니다. 주요 목표는 보안 전문가가 법적 환경에서 자신의 기술과 도구를 테스트하고, 웹 개발자가 웹 응용 프로그램 보안 프로세스를 더 잘 이해할 수 있도록 돕고, 교사/학생이 교실 환경 웹 응용 프로그램에서 가르치고 배울 수 있도록 돕는 것입니다. 보안. DVWA의 목표는 다양한 난이도의 간단하고 간단한 인터페이스를 통해 가장 일반적인 웹 취약점 중 일부를 연습하는 것입니다. 이 소프트웨어는