FlashSpeech 是音频音乐领域的开源项目，由 zhenye234 开发，2024 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 159。
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 2026-09-16。本地部署，完全免费。
它主要面向的使用场景是：实时语音助手或游戏角色配音，需要快速生成个性化语音。同类可对比的替代方案包括 XTTS (Coqui)、OpenVoice、Bark。
FlashSpeech
一段参考音频，即刻克隆音色，快速生成自然语音。
FlashSpeech 是 ACM MM 2024 发表的零样本语音合成（Zero-Shot TTS）项目，主打高效合成。它能在没有目标说话人录音样本的情况下，仅凭一段参考音频就能克隆音色并生成自然语音。核心能力包括：基于潜在一致性模型（Latent Consistency Model）实现少步采样，大幅加速推理；支持跨语种语音克隆；提供预训练模型和推理代码。项目解决了传统 TTS 需要大量标注数据、推理速度慢的问题，适合实时或低延迟交互场景。目前代码已开源，但处于早期阶段，文档和生态尚待完善。
开源
free
音频音乐
GitHub 星标
★ 159
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，本地部署，完全免费
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型tts,zero-shot
GitHub 星标★ 159
30天Star增速
HF 下载量
上线时间2024-05-16 00:00:00
最近更新2026-09-16 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2
使用教程
核心亮点
- 推理速度快，采用一致性模型减少采样步数，适合实时应用
- 零样本克隆，无需目标说话人训练数据，仅需参考音频
- 来自 ACM MM 2024 论文，算法有学术支撑，代码开源可复现
不足之处
- 文档/社区待观察
- 项目早期，星标少，可能缺少社区支持和持续维护
适用场景
- 实时语音助手或游戏角色配音，需要快速生成个性化语音
- 内容创作，如视频配音、有声书制作，快速克隆特定音色
- 语音交互原型开发，快速验证零样本 TTS 效果
替代项目
XTTS (Coqui)、OpenVoice、Bark
项目介绍
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···