让语音合成又快又真，实时生成高保真音频
HiFi-GAN 是一个基于生成对抗网络的高保真语音合成声码器，由韩国首尔大学团队开发。它解决了传统神经声码器（如 WaveNet）推理速度慢、难以实时部署的问题，同时保持极高的音频质量。核心能力包括：将梅尔频谱图高效转换为原始波形，支持多说话人、多语言场景，并提供预训练模型。其创新点在于使用多周期判别器（MPD）和多尺度判别器（MSD）来捕捉音频的周期性和全局结构，配合对抗训练与辅助损失，实现了在单张 V100 GPU 上比实时快 22.9 倍的合成速度，且音质接近自然语音。项目代码清晰，基于 PyTorch 实现，易于集成到 TTS 系统中，是学术界和工业界广泛使用的 vocoder 基线。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆项目代码
从 GitHub 拉取 hifi-gan 源码到本地，README 未提供其他获取方式。
git clone https://github.com/jik876/hifi-gan2进入项目目录
进入克隆后的目录，后续依赖安装与运行都建议在该目录内进行。
cd hifi-gan3配置运行环境
README 节选未给出安装命令，仅说明基于 PyTorch 实现，请依据仓库内实际文件安装 Python 与 PyTorch 环境。
4确认预训练模型
README 说明仓库开源提供预训练模型，克隆完成后可检查相关模型文件是否齐全。
README 未给出启动验证方法；可检查仓库中是否已包含可运行的实现代码与预训练模型文件。
Q：训练或推理需要什么显卡？
A：README 提及在单张 V100 GPU 上生成 22.05 kHz 高保真音频，速度达实时的 167.9 倍；小体积版本在 CPU 上也可达实时的 13.4 倍。
Q：支持哪些采样率？
A：README 中明确提到生成 22.05 kHz 高保真音频，其他采样率信息 README 节选未给出。
Q：是否提供预训练模型？
A：README 说明作者将实现代码和预训练模型一并开源在该仓库中，无需自行训练即可使用。
Q：支持多说话人和未见过的说话人吗？
A：README 提到该方法可用于未见说话人的梅尔频谱反演以及端到端语音合成，具备一定泛化性。
WaveGlow、MelGAN、Parallel WaveGAN
hifi-gan 是音频音乐领域的开源项目，由 jik876 开发，2020 年首次发布。
在全站 13,014 个收录项目中，它的 GitHub 星标数（2,371）位列前 30%，在音频音乐分类的 738 个项目里位列前 9%。
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 2026-09-21。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：TTS系统中的声码器环节，将频谱转为波形。同类可对比的替代方案包括 WaveGlow、MelGAN、Parallel WaveGAN。
上一篇：pyttsx3
下一篇：Tacotron-2
tango
开源
输入一句话，自动生成匹配的音频内容
A family of diffusion models for text-to-audio generation.
AuK
开源
一个模型搞定语音生成、编辑与分离
AuK: An Open-Source Foundational Model for Speech Generation and Editing
swift-tts
开源
Swift 项目三行代码接入系统 TTS，兼容 TCA 和 Combine
A straightforward package containing version for Swift modern concurrency, Point-Fre···
ai-dj
开源
现场演出中实时用 AI 生成音乐，保持人类掌控
AI music generation for live performance - Standalone (Ableton Link) + VST3/AU. 8 tr···