语音合成 / 识别工具合集
IndexTTS2 — 5秒克隆声音
来源：Bilibili 语音团队 | 整合包：乔大峰（AI音乐实验室）
5秒克隆音色，支持多人对话、批量合成。本地运行，数据不上传。
核心功能：
- 零样本音色克隆（≤60 秒参考音频）
- 多人对话（
【说话人标签】格式自动分角色） - 批量文本生成
配置要求：Windows 10/11，16G 内存，NVIDIA 显卡 ≥ 8G 显存，CUDA 12.8，≥ 80G 硬盘
下载：https://aimusiclab.feishu.cn/wiki/Q1H0wSjxwiPNVTkJ1Wnc6PjGndf
OpenVoice — 开源即时语音克隆
⭐ 高 | MIT | MyShell AI 团队
核心突破：
- 音色与风格解耦：克隆张三的音色，再注入欢快情绪、播报语速、英伦口音
- 零样本跨语言：一段中文音频 → 生成任意语言带原音色的语音
- 低延迟：亚秒级，仅需 5-10 秒参考音频
bash
git clone https://github.com/myshell-ai/OpenVoice.git
pip install -r requirements.txtpython
from openvoice import clone_voice
output = clone_voice("reference.wav", "要合成的文本", speed=1.3, emotion='happy')VibeVoice — 微软开源语音 AI 全家桶
⭐ 32,400 | MIT | 微软 | ICLR 2026 Oral
三个模型：
| 模型 | 参数 | 功能 | 状态 |
|---|---|---|---|
| VibeVoice-ASR-7B | 7B | 语音转文字，60分钟长音频 | ✅ 可用 |
| VibeVoice-TTS-1.5B | 1.5B | 文字转语音，90分钟+4说话人 | ⚠️ 暂停 |
| VibeVoice-Realtime-0.5B | 0.5B | 实时流式合成，首包300ms | ✅ 可用 |
ASR 特点：64K token 上下文，结构化输出（Who/When/What），50+ 语言，支持 vLLM
python
from transformers import pipeline
pipe = pipeline("automatic-speech-recognition", model="microsoft/VibeVoice-ASR-7B")
result = pipe("your_audio.wav")Voicebox — 开源 ElevenLabs 替代
⭐ 19,600 | 开源 | jamiepine
ElevenLabs 的免费开源替代，支持声音风格克隆、情感控制、语速调节。
适合：播客制作、视频配音、有声书生产