voxtream

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 需要等待完整音频生成才能播放的问题，以及零样本克隆中推理速度慢、难以实时交互的痛点。其核心能力包括：支持流式音频输出，实现边说边合成，显著降低首包延迟；零样本语音克隆，仅需数秒参考音频即可模仿音色；提供精确的语速调节，满足不同场景需求。项目基于 Python 实现，技术栈聚焦语音合成与流式处理，适合构建实时语音交互应用。目前项目处于早期阶段，代码结构清晰，但生态和文档尚待完善。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 252

维护状态低维护

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队herimor

所属国家

官网地址https://herimor.github.io/voxtream2

GitHubhttps://github.com/herimor/voxtream

定价模式free

价格说明开源模型，Apache-2.0许可，可免费本地部署使用，无在线服务或付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型speech-synthesis,streaming,text-to-speech,tts,voice-cloning

GitHub 星标★ 252

30天Star增速

HF 下载量

上线时间2025-09-18 00:00:00

最近更新2026-09-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

全流式推理，首包延迟极低，适合实时对话场景
零样本克隆，仅需短音频即可复刻音色，使用便捷
内置语速控制参数，灵活适配不同内容节奏

不足之处

早期项目，社区贡献者少，文档和示例待丰富
依赖特定模型权重，模型文件未开源，复现门槛较高

适用场景

实时语音助手/聊天机器人，需要即时语音反馈
有声书或播客制作，快速克隆主播音色并调节语速
游戏或虚拟角色配音，实现低延迟互动语音

替代项目

XTTS、CosyVoice、StyleTTS 2

项目介绍

voxtream 是音频音乐领域的开源项目，由 herimor 开发，2025 年首次发布。

它收录于音频音乐分类，该分类目前共有 738 个项目，GitHub 星标数为 252。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-20。Apache-2.0许可，可免费本地部署使用，无在线服务或付费版本。

它主要面向的使用场景是：实时语音助手/聊天机器人，需要即时语音反馈。同类可对比的替代方案包括 XTTS、CosyVoice、StyleTTS 2。

上一篇：ukrainian-tts

下一篇：Talkify