把频谱图变成自然语音，实时合成不卡顿
MelGAN 是一个基于生成对抗网络的声码器（vocoder），用于将梅尔频谱图（mel-spectrogram）转换为高质量语音波形。它解决了传统声码器（如 Griffin-Lim）合成语音自然度低、计算开销大的问题，能够实时生成接近自然语音的音频。核心能力包括：非自回归的生成架构，大幅提升合成速度；多尺度判别器设计，增强音频的细节和真实性；支持与 NVIDIA Tacotron2 等文本转语音（TTS）前端模型无缝对接，直接输入 Tacotron2 输出的梅尔频谱即可合成语音。项目提供预训练模型和训练代码，方便研究者复现和定制。MelGAN 在语音合成领域具有重要影响，为后续 GAN 声码器（如 HiFi-GAN）奠定了基础。
HiFi-GAN、Parallel WaveGAN、WaveGlow
melgan 是音频音乐领域的开源项目，由 seungwonpark 开发，2019 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 651。
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 2026-09-10。BSD-3-Clause许可证，可自由使用和修改，无付费版本。
它主要面向的使用场景是：语音合成系统后端声码器，将TTS前端输出的频谱转为波形。同类可对比的替代方案包括 HiFi-GAN、Parallel WaveGAN、WaveGlow。
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···
