text-to-audio

Amphion（/æmˈfaɪən/）是一套音訊、音樂與語音生成工具箱，旨在支援可重現的研究，協助初學者與工程師快速進入音訊、音樂與語音生成的研發領域。

從 EPUB、PDF 與文字產生有同步字幕的有聲書。

[CVPR 2025] MMAudio：掌控多模態聯合訓練以實現高品質視訊轉音訊合成

[NeurIPS 2025] [ThinkSound] 的 PyTorch 實作，這是一個由思維鏈（CoT）推理引導、從任何模態生成音訊的統一框架。

StreamSpeech 是一個用於離線與同步語音辨識、語音翻譯及語音合成的「一體化」無縫模型。

一個用於各種音訊相關神經網路的 WebUI

用於文字轉語音生成的擴散模型系列。

HunyuanVideo-Foley：結合表示對齊與多模態擴散的高傳真 Foley 音訊生成模型

[ICLR 2026] TangoFlux：基於流匹配（Flow Matching）的超快速、高逼真度文字轉語音生成

Make-An-Audio (ICML'23) 文字轉語音生成模型的 PyTorch 實作

OpenMusic：SOTA 文字轉音樂（TTM）生成

精選基於 LLM 的多模態生成（影像、影片、3D 與音訊）論文列表。

一個統一音訊處理與生成的開源專案。