audio-generation

LocalAI adalah mesin AI sumber terbuka. Jalankan model apa pun - LLM, visi, suara, gambar, video - di perangkat keras apa pun. Tidak memerlukan GPU.

Model generasi suara besar multibahasa, menyediakan kemampuan full-stack untuk inferensi, pelatihan, dan penerapan.

Amphion (/æmˈfaɪən/) adalah toolkit untuk Pembuatan Audio, Musik, dan Ucapan. Tujuannya adalah untuk mendukung penelitian yang dapat direproduksi dan membantu para peneliti serta insinyur junior untuk memulai di bidang penelitian dan pengembangan pembuatan audio, musik, dan ucapan.

Framework untuk inferensi model yang efisien dengan model omni-modality

YuE: Model Fondasi Generasi Musik Lagu Penuh Terbuka, mirip dengan Suno.ai tetapi bersifat terbuka

Satu WebUI Gradio + React dengan ekstensi untuk ACE-Step, OmniVoice, Kimi Audio, Piper TTS, GPT-SoVITS, CosyVoice, XTTSv2, DIA, Kokoro, OpenVoice, ParlerTTS, Stable Audio, MMS, StyleTTS2, MAGNet, AudioGen, MusicGen, Tortoise, RVC, Vocos, Demucs, SeamlessM4T, dan Bark.

AudioLDM: Hasilkan ucapan, efek suara, musik, dan lainnya melalui teks.

Pembuatan Teks-ke-Audio/Musik

Linimasa model AI terbaru untuk pembuatan audio, dimulai tahun 2023!

Implementasi SoundStorm, Efficient Parallel Audio Generation dari Google Deepmind, menggunakan PyTorch

Host sendiri model TTS Chatterbox yang kuat. Server ini menawarkan Web UI yang ramah pengguna, endpoint API yang fleksibel (termasuk kompatibel dengan OpenAI), suara prasetel, kloning suara, dan pemrosesan teks skala buku audio besar. Berjalan dipercepat di NVIDIA (CUDA), AMD (ROCm), dan CPU.

Sekeluarga model difusi untuk generasi teks-ke-audio.

Implementasi resmi PyTorch dari BigVGAN (ICLR 2023)

Integrasi node kustom ComfyUI untuk Text-to-Speech dan Konversi Suara multi-mesin multi-bahasa lokal. Mendukung: RVC, Echo-TTS, Qwen3-TTS, Cozy Voice 3, Step Audio EditX, IndexTTS-2, Chatterbox (klasik dan multilingual), F5-TTS, Higgs Audio 2, 3, dan VibeVoice dengan panjang teks tak terbatas, penentuan waktu SRT, dukungan Karakter, dan banyak alat audio

SGLang-Omni mendukung penyajian berkinerja tinggi untuk model TTS, ASR, ucapan, dan omni.

MOVA: Menuju Pembuatan Video-Audio yang Dapat Diskalakan dan Disinkronkan.

Daftar kurasi sumber daya, alat, keahlian, tutorial & artikel OpenClaw. OpenClaw (sebelumnya Moltbot / Clawdbot) — agen AI open-source yang di-hosting sendiri untuk WhatsApp, Telegram, Discord & 50+ integrasi.

Dataset Audio AI (AI-ADS) 🎵, mencakup Ucapan, Musik, dan Efek Suara, yang dapat menyediakan data pelatihan untuk AI Generatif, AIGC, pelatihan model AI, pengembangan alat audio cerdas, dan aplikasi audio.

Pusat penelitian AI audio: makalah, model terbuka, tolok ukur, & dataset di seluruh LLM audio, pengenalan ucapan, TTS, musik & pembuatan audio.

CLI pembuatan media Flatkey untuk gambar, video, audio, teks, kredit, dan penemuan model.

Asisten suara waktu nyata — streaming WebRTC, faster-whisper ASR, LLM lokal, Vui Nano (300M) TTS. Kompatibel dengan OpenAI Realtime API. Kloning suara, barge-in, ~9x waktu nyata pada RTX 4090. Apache 2.0.

Genblaze adalah SDK Python sumber terbuka untuk mengorkestrasikan pipa media generative AI di seluruh penyedia video, audio, dan gambar dengan asal-usul bawaan untuk setiap keluaran.

Proyek Sumber Terbuka untuk Menyatukan Pemrosesan dan Pembuatan Audio