剑二十七

索尼人工智能研究院（Sony AI）发布的音效生成基础模型📌 项目定位Woosh是专为音效生成（Sound Effects）优化的多模态生成式 AI 模型套件，旨在为音频研究社区提供高质量的开源基座模型，支持文本到音频（T2A）和视频到音频（V2A）两大核心任务。🔗 技术报告：arXiv:2604.01929🧩 核心模块组成1️⃣ Woosh...

MOSS-TTSD 是由 OpenMOSS 社区开发的一个开源项目，主要聚焦于 文本到语音合成（Text-to-Speech, TTS）领域。该项目是 MOSS 系列模型生态的一部分，旨在提供高质量、低延迟的语音合成能力，适用于多种语言和场景。以下是对该项目的核心功能与技术特点的介绍说明：🎯 项目定位MOSS-TTSD 是一个专注于中文及多语...

卡点视频生成器是一款基于 AI大模型 智能视频自动生成工具，专为音乐爱好者、短视频创作者、自媒体运营者设计。它能根据你上传的音乐节拍/鼓点，自动从指定图片或视频素材中智能选取片段，生成节奏精准、视觉流畅的“卡点”视频，适用于抖音、快手、B站、Instagram 等平台。无需剪辑经验，一键生成专业级卡点视频！🎯 核心功能1. 🖼️ 图片卡点模式...

OmniVoice：600+语种的语音合成新纪元剑二十七 · 技术前沿🔹一句话了解由小米下一代 Kaldi 团队（k2-fsa）打造的超大规模多语言零样本 TTS 模型，支持600+ 语种，以卓越音质与极速推理，重新定义语音合成体验。✨ 核心能力一览🗣️全球语种覆盖支持 600+ 语言与方言，从英语、中文到低资源语种，一模型通全球。🔁声音克隆...

LongCat-AudioDiT 语音合成工具 - 功能说明🎯 主要功能本工具基于美团开源的 LongCat-AudioDiT 扩散模型，提供高质量的文本到语音合成，并支持零样本语音克隆（只需几秒参考音频即可克隆音色）。界面采用 Gradio 构建，操作直观，适用于中文和英文混合文本。📌 核心功能模块1. 模型选择支持 1B&nbs...

🎙️ Edge TTS 文本转语音 - 功能说明一、核心功能表格功能说明文本转语音使用微软 Edge TTS 引擎，将输入文本转换为自然流畅的 MP3 音频长文本支持自动分段处理（每段 ≤800 字符），支持超长文本合成音频合并自动将分段音频合并为单一文件输出多国语言支持中文、英语、日语、韩语、法语、德语等数十种语言二、语音选择系统两级联动选...

Easy-Voice-Toolkit 是由 Spr-Aachen开发的一款开源、用户友好的 AI 语音工具箱，旨在为开发者、研究人员和爱好者提供一站式、本地化部署的语音处理解决方案。项目设计注重易用性与功能性，支持多种主流语音任务，适用于科研实验、产品原型开发、语音助手构建等多种应用场景。🌟 核心特性本地部署：所有功能均可在本地运行，保障数据...

LuxTTS 项目介绍LuxTTS 是由开发者 Yatharth Sharma 创建的开源轻量级文本转语音（TTS）系统，专注于高质量零样本语音克隆与超高速推理。项目在保持卓越音质的同时，显著降低了计算资源需求，适用于资源受限环境下的语音合成任务。核心特性1. 零样本语音克隆仅需 3–5 秒参考音频即可克隆任意人声，无需针对目标说话人进行额外...

上面是这个工具的视频演示和教程。基本上是有手就行了。早几天分享的文字转语音工具，有小伙伴在问是否有人声替换工具？今天分享这个的工具 不仅是人声替换，还可以分离人声，AI唱歌就太简单了。像网上流传很广的孙燕姿唱周杰伦的歌这类的视频和教程已经很多了。我之前也不是没有研究过，但是一直没有分享是因为这类教程对于普通的小伙伴来讲入门的门槛有点高，操作...

Qwen3-TTS 开源项目介绍Qwen3-TTS 是由 Qwen 团队开发的一系列强大语音生成模型，于 2026 年 1 月 22 日正式发布。该项目提供全面的语音生成能力，包括语音克隆、语音设计、超高质量类人语音生成和基于自然语言的语音控制，为开发者和用户提供了目前最广泛的语音生成功能集。核心特性1. 多语言支持Qwen3-TTS 覆盖 ...

HeartMuLa/heartlib：开源音乐基础模型家族深度解析项目定位与愿景HeartMuLa是一个全面的开源音乐基础模型家族，旨在推动跨任务与多模态的大规模音乐理解与生成技术发展。该项目不仅仅是一个单一的模型，而是一个完整的生态系统，涵盖了从音乐理解到完整曲目生成的全链条能力。其核心目标是为研究社区和开发者提供可复现、可扩展的音乐AI工...

最近我正好需要编辑下音频，无意中居然发现我很久以前就分享了这个工具，这次截图多一点，让小伙伴能更好的看看这个强大的音频编辑工具，可以批量处理。ocenaudio 中文版是一款跨平台，易于使用，快速且功能强大的音频编辑器。对于需要编辑和分析音频文件而无需复杂的人来说，它是理想的软件。 ocenaudio 还具有强大的功能，可以满足更多高级用户的...

🎵 VoiceSculptor - 指令驱动的语音合成模型📌 项目概述VoiceSculptor是由ASLP实验室（Audio, Speech and Language Processing Laboratory）开发的一款先进的指令式文本到语音（instruct text-to-speech）开源模型。2该项目代表了语音合成技术的前沿发展方...

GPT-SoVITS是一个强大的开源工具，专注于少样本语音转换和文本到语音（TTS）的合成。该工具由RVC-Boss团队开发，并在GitHub上公开分享，为用户提供了一个灵活且功能丰富的平台，以满足语音合成的多样化需求。核心功能GPT-SoVITS的核心功能包括零样本和少样本TTS。零样本TTS允许用户仅通过输入一个5秒的语音样本，就能即时体...

介绍MuseScore是一款功能强大的乐谱编辑软件，它以其跨平台、免费开源的特点，在音乐创作和乐谱编辑领域广受好评。以下是对MuseScore的详细介绍：一、软件概述MuseScore（中文有时译作缪斯乐谱或谬斯乐谱）是一个支持Linux、Microsoft Windows和Mac操作系统的乐谱编辑软件。它以其所见即所得的编辑器特性，让用户能...

CosyVoice：基于大语言模型的先进语音合成系统CosyVoice 是一个由 FunAudioLLM 团队开发的开源文本到语音（TTS）系统，目前已迭代至Fun-CosyVoice 3.0版本。该项目基于大语言模型（LLM）架构，在语音合成领域实现了多项技术突破。核心技术特点Fun-CosyVoice 3.0作为最新版本，在内容一致性、说...

GLM-TTS是由ZAI 组织开发并开源的高质量文本转语音（Text-to-Speech, TTS）系统。它基于大语言模型（LLM），专注于实现可控、富有情感表达的零样本语音克隆，并通过多奖励强化学习框架显著提升传统 TTS 系统的自然度与表现力。核心特性🗣️ 零样本语音克隆仅需3–10 秒的目标说话人提示音频，即可克隆任意声音，无需微调或说...

DiffRhythm：基于差分节奏建模的通用音乐流派分类开源项目DiffRhythm是由ASLP实验室提出的开源项目，旨在通过创新的差分节奏建模（Differential Rhythm Modeling）框架解决音乐流派分类任务。该项目结合传统信号处理与深度学习技术，从节奏这一音乐核心要素出发，构建了具有强解释性和泛化能力的分类模型。其代码已...

🧠 什么是 Step-Audio-EditX？Step-Audio-EditX 是由 StepFun AI 团队开源的一款 30 亿参数（3B）的大语言模型（LLM）驱动的先进音频编辑系统，专注于 高表现力、可迭代、细粒度的语音编辑与零样本语音合成（TTS）。它不仅能高质量克隆任意人声，还能对语音的情绪、说话风格、副语言特征（如笑声、叹息等）...

SoulX-Podcast是由 Soul AI Lab 开源的一个面向播客场景的高质量、长篇、多说话人对话式语音合成（TTS）系统，专为生成自然、富有表现力、支持方言与副语言特征的播客音频而设计。🔍 项目核心特点1. 长篇多轮多说话人对话生成支持生成多人交替对话的播客内容（如主持人 + 嘉宾）；能处理长文本输入，保持语音连贯性和角色一致性；适...

🎙️ Kani TTS — 高质量、模块化、类人语音合成开源项目Kani TTS 是一个由 nineninesix-ai维护的开源文本到语音（TTS）系统，致力于从文本输入生成高质量、自然流畅的语音。项目支持本地独立运行与Web 流式服务，适用于开发、研究及个性化 TTS 场景。GitHub 仓库地址：https://github.com/n...

IndexTTS是由B站推出的一款基于XTTS和Tortoise的GPT风格文本转语音（TTS）模型。该项目在中文文本转语音领域展现出显著的技术优势和应用，以下从项目背景、技术架构、应用场景、社区支持及未来挑战五个维度进行详细介绍。一、项目背景：重新定义中文TTS技术标杆IndexTTS的诞生旨在解决传统TTS系统在中文语音合成中的两大核心痛...

FireRedTTS 是一个开源的文本转语音（Text-to-Speech, TTS）项目，由 FireRedTeam 开发并维护。该项目致力于提供高质量、低延迟、易于集成的语音合成能力，适用于多种应用场景，如语音助手、有声读物生成、无障碍访问、智能客服等。项目基于深度学习技术，采用了先进的神经网络架构（如 Tacotron、FastSpee...

HunyuanVideo-Foley 是一个基于深度学习的音效生成系统，能够根据输入的视频内容，自动识别其中的视觉动作和场景（如脚步、关门、物体碰撞等），并生成与之同步、逼真的环境音效或动作音效。这类技术在影视后期、短视频制作、游戏开发、虚拟现实等领域具有广泛的应用前景，能够显著降低人工配音效的成本和时间。🔧 核心功能视频驱动音效生成（Vid...

MegaTTS3 是字节跳动开源的一个先进的文本到语音（TTS）合成系统，具有以下特点：🌟 核心特性1. 高质量语音合成基于扩散模型的语音生成技术支持高保真度的语音合成生成自然、流畅的语音输出2. 强大的语音克隆能力能够克隆特定人的声音特征只需少量参考音频即可实现声音复制保持原始音色的同时合成新内容3. 多语言支持支持中文、英文等多种语言跨语...

openaudio-s1-mini 是一个开源的音频生成模型，主要特点是能够将文本高效地转换为自然流畅的语音。下面是对该模型的详细介绍：基本信息模型名称：openaudio-s1-mini开源平台：ModelScope.cn开发者：FishAudio 团队主要特点高效的文本转语音能力：该模型经过大量数据训练，能够将输入的文本快速转换为自然流畅...

简介： “图片加音乐转视频，傻瓜卡点神器”是一款专为视频创作者设计的工具，旨在简化将图片和音乐结合生成视频的过程。这款工具特别适合那些在视频编辑软件中进行卡点操作时感到困难的用户。它提供了一种简单、直观的方式来创建具有音乐节奏的视频，无需复杂的编辑技巧。功能特点：时长控制：用户可以根据音频的长度和可用图片的数量，灵活控制视频的时长。如果音频时...

UVR5-UI是基于 python-audio-separator（即 UVR5 的命令行版本）开发的，提供了友好的可视化界面，使得用户无需掌握编程知识或命令行操作即可使用强大的音频处理功能。它支持多种模型和功能，包括：所有主流音源分离模型：VR Arch 模型MDX-NET 模型Demucs v4 模型Mel-Band Roformer 和...

Dia是一个由Nari Labs创建的文本转语音（TTS）模型，它拥有16亿（1.6B）参数，能够在一轮处理中生成超逼真的对话。这个项目的核心特点是其高度真实的语音生成能力，可以直接从文本中生成高度逼真的对话，同时支持通过音频条件来控制输出，实现情感和语调的调整。主要功能高度逼真的对话生成：Dia能够直接从文本中生成高质量的对话，无需多轮处理...

FunAudioLLM/SenseVoice: Multilingual Voice Understanding Model 是一个专注于语音理解的开源项目，旨在提供高精度的多语言语音识别、语音情感识别和音频事件检测功能。这个项目由 FunAudioLLM 团队开发和维护，基于 FunASR 工具包构建，支持多种语言和方言，包括中文、英语、粤...

Edge TTS（Edge Text-to-Speech） 是微软推出的一款基于深度学习技术的文本转语音（TTS）工具，具有高质量语音合成、多语言支持、灵活配置和开源可扩展等特点，广泛应用于语音助手、电子书阅读、视频制作、教育及智能客服等领域。核心功能高质量语音合成Edge TTS 采用先进的深度学习技术，能够生成自然流畅、接近真人...

Orpheus-TTS是一个前沿的开源文本转语音（Text-To-Speech，TTS）系统，它基于Llama-3b这一强大的大型语言模型（LLM）构建。该项目展示了在语音合成领域使用大型语言模型的新兴能力，为用户带来了前所未有的自然语音体验。Orpheus-TTS的核心优势在于其人类般的语音表现。它能够生成具有自然语调、情感和节奏的语音，这...