Step-Audio-EditX

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、说话风格和副语言特征的精细编辑，同时具备强大的零样本语音合成能力。它解决了传统音频编辑工具难以灵活控制情感表达和风格转换的问题，通过自然语言指令即可调整语音的情绪、语速、停顿等副语言特征，并支持跨语言场景。核心能力包括：情感编辑（如将中性语音转为开心或悲伤）、风格迁移（如模仿特定说话风格）、副语言控制（如笑声、叹息），以及零样本 TTS（无需训练即可合成新说话人的语音）。项目基于 Python 实现，技术栈涵盖强化学习、音频编辑和跨语言处理，目前处于早期阶段，但已获得近千星标，展示了其在个性化语音生成和音频后期制作领域的潜力。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 978

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stepfun-ai

所属国家

官网地址

GitHubhttps://github.com/stepfun-ai/Step-Audio-EditX

定价模式free

价格说明开源模型，Apache-2.0许可证，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audio-editing,cross-lingual,emotion-control,paralinguistics,reinforcement-learning,speaking-style,style-control,text-to-speech,tts,voice-cloning,zero-shot-tts

GitHub 星标★ 978

30天Star增速

HF 下载量

上线时间2025-10-29 00:00:00

最近更新2026-09-23 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5

使用教程

核心亮点

基于强化学习，能精准控制情感、风格和副语言特征，编辑效果自然
3B 参数模型，在零样本 TTS 上表现强，新说话人合成无需微调
支持跨语言，适合多语种音频内容创作和本地化

不足之处

3B 参数模型对部署资源要求较高，个人开发者使用门槛不低
文档/社区待观察，早期项目生态和示例尚不丰富

适用场景

语音内容后期制作，如播客、有声书的情感润色
游戏或虚拟角色语音风格定制，快速生成不同情绪台词
多语种配音和本地化，用自然语言调整语音风格

替代项目

XTTS、Bark、CosyVoice

项目介绍

Step-Audio-EditX 是音频音乐领域的开源项目，由 stepfun-ai 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（978）位列前 30%，在音频音乐分类中处于中上游。

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 2026-09-23。Apache-2.0许可证，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：语音内容后期制作，如播客、有声书的情感润色。同类可对比的替代方案包括 XTTS、Bark、CosyVoice。

上一篇：Cognitive-Speech-TTS

下一篇：FireRedTTS