项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-10-26 · 当前星标 ★ 118
核心亮点
- 端到端直接从视频生成双耳音频，省去多轨录音与人工声像定位环节
- 利用画面中的声源位置与场景线索推断空间方位，输出可用耳机收听的立体声场
- Python 实现、代码量轻，便于研究者复现和二次开发
不足之处
- 早期项目，星标与社区规模较小，预训练模型与使用文档完善度待观察
- 生成音频的空间精度与音质在复杂场景下的稳定性尚需更多验证
适用场景
- 影视与短视频后期自动生成空间音效
- VR/AR 内容中为画面匹配方位感音频
- 音频生成与多模态学习方向的学术研究复现
替代项目
AudioLDM、Stable Audio、WaveNet
上一篇：WorldSonus
下一篇：没有了！
同类项目推荐
resemble-unity-text-to-speech
开源
在Unity里一键接入克隆人声，让角色开口说话
Resemble's voice cloning engine within Unity
TTS
开源
让 Arduino 开口说话，几行代码实现语音播报
Arduino Text-to-Speech Library
audiblez
开源
把电子书一键变成有声书，通勤路上用耳朵读书
Generate audiobooks from e-books
piper-app
开源
在苹果设备上离线运行 Piper TTS，快速生成自然语音。
The original Piper(https://github.com/OHF-Voice/piper1-gpl), now on iOS and macOS
diffwave
开源
用扩散模型快速生成高保真语音波形，让 TTS 更自然高效。
DiffWave is a fast, high-quality neural vocoder and waveform synthesizer.
vall-e
开源
3秒参考音频，零样本克隆你的声音
An unofficial PyTorch implementation of VALL-E
paroli
开源
在RK3588上跑通流式TTS，低延迟本地语音合成
Streaming TTS based on Piper with optional RK3588 NPU support
Cross-Lingual-Voice-Cloning
开源
用一段语音样本，跨语言克隆你的声音
Tacotron 2 - PyTorch implementation with faster-than-realtime inference modified to ···
ComfyUI-MegaTTS
开源
在 ComfyUI 里拖拽节点，一键生成中英文语音并克隆音色。
A ComfyUI custom node based on ByteDance MegaTTS3, enabling high-quality text-to-spe···