audio 第 2 页
本站收录 84 个带「audio」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 2 页）
musicaizmusicaiz 是一个面向符号音乐生成、评估与分析的 Python 框架。它解决了音乐研究者与开发者在构建音乐生成模型时缺乏统一工具链的问题，提供从数据加载、★ 193
InflectInflect 是一个轻量级、高质量的文本转语音（TTS）模型，旨在以极小的资源占用生成自然流畅的语音。它目前处于积极开发阶段，重点追求快速迭代、优秀的音质和简★ 164
KaraFanKaraFan 是一个基于人工智能的音乐分离开源项目，旨在从混合音频中提取人声和伴奏，尤其适用于卡拉OK伴奏制作。它利用深度学习模型对音频信号进行源分离，核心能★ 152
TTSizerTTSizer 是一个自动生成高质量、按说话人区分的文本转语音（TTS）数据集的工具。它解决的是构建 TTS 模型时数据准备繁琐的痛点：以往需要手动转录音频、切★ 147
vstvst 是一个开源的音频插件项目，它允许用户直接在数字音频工作站（DAW）中通过输入文字来生成声音。该项目基于 C++ 开发，核心功能是将自然语言描述转化为音频★ 141
timethingTimething 是一个用于将文本转录与音频录音进行对齐的开源库。它解决的核心问题是，在语音识别或音频处理场景中，转录文本与音频时间轴不同步，导致难以定位或校★ 133
tiktok-ttstiktok-tts 是一个基于 Node.js 的轻量级文本转语音工具，通过封装 TikTok 的 TTS API，让开发者能够快速生成语音文件。它解决了开发★ 120
docker-whisperdocker-whisper 是一个把 Whisper 语音识别服务打包成 Docker 镜像的开源项目，目标是让用户在自己的服务器上快速搭建一套兼容 Open★ 116
TTSAudioNormalizerTTSAudioNormalizer 是一个面向语音合成（TTS）数据生产的专用音频响度分析与归一化工具。它解决的核心问题是：在构建 TTS 数据集时，不同来源★ 113
fish-speech.rsfish-speech.rs 是一个基于 Rust 和 Candle.rs 框架实现的 Fish Speech 文本转语音（TTS）引擎。它解决了在非 Pyth★ 112
mediamoldermediamolder 是一个用 Go 重写的 FFmpeg 风格多媒体处理工具，目标是做「AI 时代的 FFmpeg」。它保留转码、封装、编解码等传统能力（支★ 112
facetfacet 是一个基于 NodeJS 和浏览器的实时编码与合成工具，专为生成艺术和算法创作设计。它让用户通过编写 JavaScript 代码，在浏览器中实时生成★ 111
libpd-rslibpd-rs 是一个为 Rust 语言提供 libpd 安全绑定的开源库。libpd 是 Pure Data（Pd）音频编程语言的嵌入式库，允许开发者将 P★ 104
jargojargo 是一个基于 Go 语言、以 WebRTC 原生和音频优先的对话式 AI 框架。它解决了在实时语音交互场景中，开发者难以快速集成语音识别（STT）、语★ 102
html-gethtml-get 是一个 JavaScript 库，用于从任意网站抓取 HTML 内容，并针对纠错与速度做了专门优化。它解决的核心问题是：普通 fetch 或 ★ 102
AceForgeAceForge 是一款面向 Apple/OSX 平台的本地优先 AI 音乐工作站，基于 Ace-Step、DeMucs 和 XTTSv2 构建。它解决的是音乐★ 94
Awesome-AVIAwesome-AVI 是一个关于音频-视觉智能（Audio-Visual Intelligence）的精选资源列表，旨在系统梳理该领域的前沿研究、工具和数据集★ 92
NWT-pytorchNWT-pytorch 是 NWT（Neural Waveform Transform）模型的非官方 PyTorch 实现，专注于音频到视频的生成任务。该项目旨★ 92
obsidian-voiceobsidian-voice 是一个 Obsidian 插件，旨在将笔记内容转换为语音朗读，提供类似有声书的移动端体验。它解决了用户在无法阅读屏幕时（如通勤、运★ 92
SoCodecSoCodec 是一个面向语音语言建模应用的低码率语音编解码器，基于 Python 实现。它解决了传统语音编解码器在极低比特率下音质损失严重、难以支撑高质量语音★ 92
OmniVAEOmniVAE 是一个面向音视频联合生成的统一变分自编码器（VAE），旨在解决音频与视频模态在生成任务中难以对齐和协同建模的问题。它通过引入跨模态对齐机制，将音★ 91
achatbotachatbot 是一个开源的聊天机器人架构，专为语音、视觉及多模态助手设计，支持本地（CPU/GPU 受限）和远程（I/O 受限）运行。它整合了 ASR（语音★ 90
izabela-desktopizabela-desktop 是一个文本转语音（TTS）的概念验证应用，核心特点是支持全局打字输入，即用户可以在任何应用程序（如语音聊天、游戏等）中直接打字，★ 84
DEEPFAKE-AUDIODeepfake Audio 是一个基于 SV2TTS 技术的神经语音克隆工作室，旨在通过深度学习模型实现高度逼真的语音合成与克隆。它解决了传统语音合成需要大量★ 76
KALO-ESP32-Voice-Chat-AI-Friends这是一个基于ESP32的语音对话设备项目，旨在打造能与多个自定义AI机器人聊天的小型硬件。它通过I2S接口连接INMP441麦克风录制用户提问，利用Eleven★ 75
DualCodecDualCodec 是一个面向语音和音频生成的低帧率神经音频编解码器，发表于 Interspeech 2025。它主要解决传统音频编解码器在生成式 AI 场景中★ 72
WaveGrad2WaveGrad2 是谷歌大脑团队提出的 WaveGrad 2 模型的非官方 PyTorch 实现，专注于文本到语音（TTS）合成。它采用非自回归架构，通过迭代★ 68
ComfyUI-Step_Audio_EditX_TTSComfyUI-Step_Audio_EditX_TTS 是一个为 ComfyUI 开发的音频处理节点插件，集成了 Step Audio EditX 模型，提供★ 63
totalvoice-nodetotalvoice-node 是一个用于 Node.js 的客户端库，封装了 Totalvoice 的 REST API，让开发者能够通过 JavaScrip★ 62
chattts-seed-examplechattts-seed-example 是一个面向 ChatTTS 用户的音色种子示例库。ChatTTS 是一个文本转语音模型，通过不同的随机种子（seed）★ 59
learnable-speechlearnable-speech 是一个基于可学习音频编码器的文本转语音（TTS）项目，无需与文本参考对齐即可实现语音合成。它解决了传统 TTS 系统依赖音素对★ 56
mu2mimu2mi 是一个开源的 AI 音乐工具包，旨在为音乐创作者和开发者提供一套基于 TypeScript 的模块化工具，用于音乐生成、音频处理和音乐信息检索。它解★ 55
NeuralTextToAudioNeuralTextToAudio 是一个基于文本提示生成合成音频的开源项目，旨在通过自然语言描述来控制音频生成过程，解决传统音频制作依赖专业设备和手工编辑、门★ 53
vllm-chatterbox-streamvllm-chatterbox-stream 是一个基于 vLLM 推理引擎的多语言文本转语音（TTS）服务，兼容 OpenAI API 接口，支持实时 PCM★ 8