text-to-audio

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。

从 EPUB、PDF 和文本生成带同步字幕的有声书。

[CVPR 2025] MMAudio：驯服多模态联合训练以实现高质量视频转音频合成

[NeurIPS 2025] [ThinkSound] 的 PyTorch 实现，这是一个由思维链（CoT）推理引导、从任何模态生成音频的统一框架。

StreamSpeech 是一个用于离线与同步语音识别、语音翻译及语音合成的“一体化”无缝模型。

一个用于各种音频相关神经网络的 WebUI

用于文本转语音生成的扩散模型系列。

HunyuanVideo-Foley：结合表示对齐与多模态扩散的高保真 Foley 音频生成模型

[ICLR 2026] TangoFlux：基于流匹配（Flow Matching）的超快速、高保真度文本转音频生成

Make-An-Audio (ICML'23) 文本转音频生成模型的 PyTorch 实现

OpenMusic：SOTA 文本转音乐（TTM）生成

精选基于 LLM 的多模态生成（图像、视频、3D 与音频）论文列表。

一个统一音频处理与生成的开源项目。