汇聚全球AI音频与音乐生成项目，AI语音合成、音乐创作、音频处理工具一网打尽。
共收录 830 个开源项目
soprano
开源
待核验
输入文本，秒出超逼真语音，让应用开口说话。
Soprano 是一个基于 Python 的文本转语音（TTS）开源项目，主打即时生成超逼真语音。它解决了传统 ···
NeuroRVQ
开源
免费
仅开源
把脑电心电变成token，让生成模型读懂生物信号
NeuroRVQ是一个面向生物信号（如脑电、心电、肌电等）的多尺度神经残差向量量化（Residual Vector ···
supertonic-py
开源
免费
仅开源
本地极速语音合成，离线也能开口说话
supertonic-py 是一个基于 ONNX Runtime 的轻量级端侧文本转语音（TTS）引擎，旨在提供极速、离线的···
supertonic
开源
待核验
手机上秒级生成多语言语音，离线也能用
supertonic 是一个极速的端侧多语言文本转语音（TTS）引擎，基于 ONNX Runtime 原生运行，支持 iOS···
supertonic
开源
仅开源
离线秒级生成多语言语音，隐私安全不卡顿
supertonic 是一个超快速、完全离线的多语言文本转语音（TTS）引擎，基于 ONNX Runtime 原生运行，···
dia2
开源
免费
仅开源
让 AI 对话实时开口，边生成边播放不卡顿
dia2 是一个开源的实时流式对话语音合成（TTS）模型，基于开放权重架构，支持低延迟的音频流输出。···
TTS-Story
开源
免费
仅开源
用标签脚本一键生成多角色有声书，本地或云端引擎任选。
TTS-Story 是一个基于 Web 的多语音 TTS 工作室，专为将带标签的脚本转换为有声书而设计。它解决了···
FlashLabs-Chroma
开源
免费
仅开源
实时语音对话+声音克隆，几秒复刻你的音色
FlashLabs-Chroma 是全球首个开源的实时端到端语音对话模型，支持个性化声音克隆。它解决了传统语音···
Kani-TTS-Vie
开源
待核验
越南语语音合成，3秒推理，轻量模型即用
Kani-TTS-Vie 是一个针对越南语的快速文本转语音（TTS）开源项目，模型参数量仅 370M，推理时间约 ···
ComfyUI-Step_Audio_EditX_TTS
开源
免费
仅开源
在 ComfyUI 里拖拽节点，几秒克隆声音并编辑音频
ComfyUI-Step_Audio_EditX_TTS 是一个为 ComfyUI 开发的音频处理节点插件，集成了 Step Audio Edit···
ComfyUI-Maya1_TTS
开源
免费
仅开源
在 ComfyUI 里拖拽节点，生成带情感的语音
ComfyUI-Maya1_TTS 是一个 ComfyUI 自定义节点，用于集成 Maya1 语音合成模型。Maya1 是一个 3B 参···
Step-Audio-EditX
开源
免费
仅开源
用一句话编辑语音情感和风格，还能零样本合成新声音
Step-Audio-EditX 是一个基于 3B 参数大语言模型和强化学习的音频编辑模型，专注于情感、说话风格和···
VieNeu-TTS
开源
可打开
在本地 CPU 上实时合成越南语语音，几秒克隆任意音色。
VieNeu-TTS 是一个专注于越南语的端侧实时文本转语音（TTS）引擎，支持即时声音克隆，无需云端依赖···
FlexiCodec
开源
可打开
低帧率下也能保真，让音频编解码更灵活高效
FlexiCodec 是一个面向低帧率场景的动态神经音频编解码器，由 ICLR 2026 论文提出。它解决传统音频···
silero-stress
开源
免费
仅开源
给俄语文本自动标重音，让TTS发音更准
Silero Stress 是一个面向俄语的预训练自动重音标注与同形异义词消歧工具。它解决了俄语文本中多音···
MOSS-Speech
开源
免费
仅开源
跳过文字，语音直接对话，更自然更高效
MOSS-Speech 是一个真正的语音到语音（speech-to-speech）大语言模型，无需文本作为中间引导。它直···
liquid-audio
开源
免费
仅开源
端到端语音互转，实时交互低延迟
Liquid Audio 是 Liquid AI 推出的语音到语音（speech-to-speech）音频模型系列，旨在解决传统语音···
VibeVoiceFusion
开源
免费
仅开源
一键微调多说话人语音，低显存批量合成
VibeVoiceFusion 是一个基于微软 VibeVoice（自回归+扩散架构）的全栈多说话人语音合成 Web 系统。···
voices
开源
免费
仅开源
Java 应用内秒级离线语音合成，无需外部服务
voices 是一个面向 Java 生态的快速进程内文本转语音（TTS）库。它基于 ONNX 运行时和 Piper TTS 引···
voxtream
开源
免费
仅开源
实时流式语音克隆，边听边合成，语速随心控
VoXtream 是一个全流式零样本文本转语音（TTS）模型，主打极低延迟和语速控制。它解决了传统 TTS 需···
ComfyUI-VoxCPM
开源
免费
仅开源
在 ComfyUI 里拖拽节点，即可生成高表现力语音并克隆任意声音。
ComfyUI-VoxCPM 是一个为 ComfyUI 设计的音频生成节点，专注于高表现力的语音合成和零样本声音克隆···
VoxCPM
开源
可打开
给 AI 一句描述，就能捏出从没听过的全新嗓音
VoxCPM2 是一款无分词器的多语言语音生成模型，支持多语种语音合成、创意音色设计与高保真声音克隆···
ACE-Step-1.5
开源
免费+付费
不稳定
本地跑文本生成音乐，Mac/AMD/Intel 都能用
ACE-Step-1.5 是一个本地部署的音乐生成模型，主打文本到音乐（text2music）能力。它解决的是商业音···
vibevoice-studio
开源
免费
仅开源
录段声音，就能用你的声音说话
VibeVoice Studio 是一个基于 Python 和 FastAPI 构建的语音克隆与文本转语音（TTS）应用。它允许用···
