CoMoSpeech 是音频音乐领域的开源项目，由 zhenye234 开发，2023 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 214。
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 2026-06-20。MIT许可证，可免费使用和修改，无在线服务。
它主要面向的使用场景是：实时语音交互系统（如虚拟助手、游戏角色配音）。同类可对比的替代方案包括 FastSpeech 2、VITS、DiffSinger。
CoMoSpeech
一步合成语音和歌声，告别扩散模型慢速采样
CoMoSpeech 是南洋理工大学等机构在 ACM MM 2023 上提出的语音与歌声合成模型，基于一致性模型（Consistency Model）实现单步（one-step）合成，解决了传统扩散模型 TTS 推理速度慢的问题。它通过蒸馏扩散模型的迭代采样过程，将数十步的采样压缩为单步，同时保持高音频质量。项目提供训练和推理代码，支持文本到语音（TTS）和歌声合成，并包含预训练模型。核心能力在于极快的推理速度（比传统扩散模型快数十倍）和可控的合成质量，适用于实时交互场景。
开源
free
音频音乐
GitHub 星标
★ 214
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zhenye234
所属国家
定价模式free
价格说明开源项目，MIT许可证，可免费使用和修改，无在线服务。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型consistency-models,diffusion-models,speech,speech-synthesis,text-to-speech,tts
GitHub 星标★ 214
30天Star增速
HF 下载量
上线时间2023-05-09 00:00:00
最近更新2026-06-20 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4
使用教程
核心亮点
- 单步采样，推理速度比传统扩散模型快数十倍，适合实时应用
- 同时支持语音和歌声合成，覆盖两种常见 TTS 场景
- 基于一致性模型蒸馏，在保持高质量的同时大幅减少采样步数
不足之处
- 项目处于早期，文档和社区支持相对有限
- 合成质量相比大规模商用 TTS 可能仍有差距
适用场景
- 实时语音交互系统（如虚拟助手、游戏角色配音）
- 低延迟歌声合成（如音乐创作、虚拟歌手）
- 边缘设备上的 TTS 部署（资源受限环境）
替代项目
FastSpeech 2、VITS、DiffSinger
项目介绍
上一篇：UEAzSpeech
下一篇：TensorVox
同类项目推荐
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···