audio-generation

LocalAI 为开源 AI 引擎，可在任何硬件上运行任意模型（LLM、视觉、语音、图像、视频），无需 GPU

多语言大型语音生成模型，提供推理、训练与部署全栈能力

Amphion（/æmˈfaɪən/）是一个音频、音乐和语音生成工具箱，旨在支持可重复研究，帮助初学者和工程师快速进入音频、音乐和语音生成的研发领域。

高效模型推理框架，支持全模态模型

YuE：开放式全曲音乐生成基础模型，类似 Suno.ai 但开源

单一 Gradio + React WebUI，整合 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 与 Bark 的扩展功能！

AudioLDM：利用文本生成语音、音效、音乐等内容。

文本转语音／音乐生成

音频生成最新 AI 模型的时间轴，始于 2023 年！

在 Pytorch 中实现 Google Deepmind 的 SoundStorm（高效并行音频生成）

自架强大的 Chatterbox TTS 模型。此服务器提供用户友好的 Web UI、灵活的 API 端点（包含兼容 OpenAI）、预定义语音、语音克隆，以及大型有声书规模的文本处理。可在 NVIDIA (CUDA)、AMD (ROCm) 和 CPU 上加速运行。

用于文本转语音生成的扩散模型系列。

BigVGAN 官方 PyTorch 实现 (ICLR 2023)

一个 ComfyUI 自定义节点集成套件，用于本地多引擎、多语言文本转语音与语音转换。支持：RVC、Echo-TTS、Qwen3-TTS、Cozy Voice 3、Step Audio EditX、IndexTTS-2、Chatterbox（经典与多语言）、F5-TTS、Higgs Audio 2、3 与 VibeVoice，具备无限文本长度、SRT 计时、角色支持及多种音频工具

SGLang-Omni 为 TTS、ASR、语音与全能模型提供高性能服务。

MOVA：迈向可扩展且同步的音视频生成

OpenClaw 资源、工具、技能、教程与文章的精选列表。OpenClaw（前称 Moltbot / Clawdbot）— 适用于 WhatsApp、Telegram、Discord 及 50 多种集成的开源自托管 AI agent。

AI 音频数据集 (AI-ADS) 🎵，包含语音、音乐与音效，可为生成式 AI、AIGC、AI 模型训练、智能音频工具开发及音频应用程序提供训练数据。

语音 AI 研究中枢：涵盖语音 LLM、语音识别、TTS、音乐与语音生成的论文、开源模型、基准测试与数据集。

用于图像、视频、音频、文字、制作名单与模型探索的 Flatkey 媒体生成 CLI

实时语音助手 —— WebRTC 流式传输、faster-whisper ASR、本地 LLM、Vui Nano (300M) TTS。兼容 OpenAI Realtime API。支持语音克隆、插话打断，在 4090 上约有 9 倍实时性能。采用 Apache 2.0 许可证。

A comprehensive open-source 3A game-generation skill and asset framework.

Genblaze 是一个开源 Python SDK，用于编排跨视频、音频与图像供应商的生成式 AI 媒体流水线，并为每个输出提供内置的来源追踪。

一个统一音频处理与生成的开源项目。