AI Rank
EN
← 开源
lenML

Speech-AI-Forge

🍦 Speech-AI-Forge is a project developed around TTS generation model, implementing an API Server and a Gradio-based WebUI.

ApplicationsContent creationPython
在 GitHub 打开
增长势头
+024 小时新增 Star0.0%
1.42k
Star
186
Fork
+0
本周
11
贡献者
创建于 2024-06-01 · 更新于 2026-10-07 · 今日第 10384 名
主要开发者
zhzLuke96nickchen110wenyangchou

lenML/Speech-AI-Forge 排名第 10,384，有 1,421 个星标。

同类别比较

lenML/Speech-AI-Forge 排名第 10,384，此处有 8 个同类条目；R3gm/SoniTranslate 排名第 10,385。

同类别比较
名称排名指标
jakobhoeg/nextjs-ollama-llm-ui10,372
语言:
TypeScript
星标数:
1,425
分叉数:
330
简介:
Fully-featured web interface for Ollama LLMs
theAIGuysCode/yolov4-deepsort10,375
语言:
Python
星标数:
1,424
分叉数:
744
简介:
Object tracking implemented with YOLOv4, DeepSort, and TensorFlow.
mckaywrigley/clarity-ai10,378
语言:
TypeScript
星标数:
1,423
分叉数:
272
简介:
A Perplexity clone.
anaclumos/bing-chat-for-all-browsers10,381
语言:
TypeScript
星标数:
1,422
分叉数:
102
简介:
Enable Bing ChatGPT on Chrome and Firefox
R3gm/SoniTranslate10,385
语言:
Python
星标数:
1,420
分叉数:
351
简介:
Synchronized Translation for Videos. Video dubbing
ishaan1013/sandbox10,406
语言:
TypeScript
星标数:
1,414
分叉数:
115
简介:
Code editing environment with an AI copilot and real-time collaboration
DragonComputer/Dragonfire10,418
语言:
Python
星标数:
1,409
分叉数:
208
简介:
the open-source virtual assistant for Ubuntu based Linux distributions
a16z-infra/llama2-chatbot10,419
语言:
Python
星标数:
1,409
分叉数:
219
简介:
LLaMA v2 Chatbot
关键参数与规格
关键参数与规格
参数值
语言Python
类别Applications
子类别Content creation
关键词Audio production, Text-to-speech, Voice cloning
星标数1,421
分叉数186
贡献者11
创建日期2024-06-01
更新日期2026-10-07
1 天星标数0
7 天星标数0
排名10,384
上次排名10,383
排名变化-1
7 天星标排名12,604
上次 7 天星标排名12,640
7 天星标排名变化36
总星标排名8,451
上次总星标排名8,437
总星标排名变化-14
README 摘录

🍦 Speech-AI-Forge Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目，实现了 API Server 和 基于 Gradio 的 WebUI。 2 #176 241009: Support FireRedTTS #165 240813: Support OpenVoice #100 240801: Add ASR API #92 240723: Support CosyVoice #90 Installation and Running 首先，确保 相关依赖 已经正确安装，并查看 模型下载 下载所需模

型 启动： WebUI 功能 点我看详细图文介绍 **TTS (文本转语音)**: 提供多种强大的 TTS 功能 **音色切换 (Speaker Switch)**: 可选择不同音色 **风格控制 (Style)**: 内置多种风格控制选项，调整语音风格 **长文本推理 (Long Text)**: 支持超长文本的推

理，自动分割文本 **Refiner**: 支持 原生文本 ，支持无限长文本处理 **分割器设置 (Splitter)**: 调整分割器配置，控制分割结束符（ ）和分割阈值 **调节器 (Adjuster)**: 支持调整 ，并增加 功能，优化音频输出 **人声增强 (Voice Enhancer)**: 使用 模型增强 TTS

输出，提高语音质量 **生成历史 (Generation History)**: 保存最近三次生成结果，便于对比和选择 **多模型支持 (Multi-model Support)**: 支持多种 TTS 模型推理，包括 / / / / 等 **SSML (语音合成标记语言)**: 提供高级 TTS 合成控制工具 **分割器 (Splitter)**: 精细控制长

文本的分割结果 **Podcast**: 帮助创建 、 的音频，适合博客或剧本式的语音合成 **From Subtitle**: 从字幕文件生成 SSML 脚本，方便一键生成语音 **脚本编辑器 (Script Editor)**: 新增 SSML 脚本编辑器，支持从分割器（Podcast、来自字幕）导出并编辑 SSML

脚本，进一步优化语音生成效果 **音色管理 (Voice Management)**: **音色构建器 (Builder)**: 创建自定义音色，可从 ChatTTS seed 创建音色，或使用参考音频生成音色 **试音功能 (Test Voice)**: 上传音色文件，进行简单的试音和效果评估 **ChatTTS 调试工具

**: 专门针对 音色的调试工具 **音色 Hub**: 从音色库中选

常见问题

记录了多少星标和分叉？

lenML/Speech-AI-Forge 有 1,421 个星标和 186 个分叉。

仓库排名是多少？

lenML/Speech-AI-Forge 排名第 10,384。

记录的语言和类别是什么？

lenML/Speech-AI-Forge 有 1,421 个星标，语言为 Python，类别为 Applications。

哪个仓库排名最接近？

lenML/Speech-AI-Forge 与 R3gm/SoniTranslate 比较，后者排名第 10,385，有 1,420 个星标。

README

🍦 Speech-AI-Forge

Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目，实现了 API Server 和 基于 Gradio 的 WebUI。

你可以通过以下几种方式体验和部署 Speech-AI-Forge：

- 描述 链接
整合包 Windows整合包解压即用 Releases
Colab体验 点击按钮，一键启动 Colab
本地部署 查看环境准备部分 本地部署
容器部署 查看 docker 部分 Docker

Breaking change logs

  • 260402: Support Cloud TTS (minimax tts) #293
  • 260202: Support CosyVoice3 #264
  • 260129: Support Qwen3-TTS #282
  • 250912: Support Index-TTS-2 #265
  • 250702: Support Index-TTS-1.5 #250
  • 250522: Support GptSoVits #198
  • 250518: Support SenseVoice ASR #122
  • 250508: Support Spark-TTS #223
  • 250507: Support F5TTS-TTS-v1 model #231
  • 250505: Support Index-TTS #229
  • 241111: Add v2/tts API #187
  • 241109: Support fishspeech #191
  • 241015: Support F5TTS v0.6.2 #176
  • 241009: Support FireRedTTS #165
  • 240813: Support OpenVoice #100
  • 240801: Add ASR API #92
  • 240723: Support CosyVoice #90

Installation and Running

首先，确保 相关依赖 已经正确安装，并查看 模型下载 下载所需模型

启动：

python webui.py

WebUI 功能

点我看详细图文介绍

  • TTS (文本转语音): 提供多种强大的 TTS 功能

    • 音色切换 (Speaker Switch): 可选择不同音色
      • 内置音色: 提供多个内置音色，包括 27 ChatTTS / 7 CosyVoice 音色 + 1 参考音色
      • 自定义音色上传: 支持上传自定义音色文件并进行实时推理
      • 参考音色: 支持上传参考音频/文本，直接基于参考音频进行 TTS 推理
    • 风格控制 (Style): 内置多种风格控制选项，调整语音风格
    • 长文本推理 (Long Text): 支持超长文本的推理，自动分割文本
      • Batch Size: 支持设置 Batch size，提升支持批量推理模型的长文本推理速度
    • Refiner: 支持 ChatTTS 原生文本 refiner，支持无限长文本处理
    • 分割器设置 (Splitter): 调整分割器配置，控制分割结束符（eos）和分割阈值
    • 调节器 (Adjuster): 支持调整 速度/音调/音量，并增加 响度均衡 功能，优化音频输出
    • 人声增强 (Voice Enhancer): 使用 Enhancer 模型增强 TTS 输出，提高语音质量
    • 生成历史 (Generation History): 保存最近三次生成结果，便于对比和选择
    • 多模型支持 (Multi-model Support): 支持多种 TTS 模型推理，包括 ChatTTS / CosyVoice / FishSpeech / GPT-SoVITS / F5-TTS 等

  • SSML (语音合成标记语言): 提供高级 TTS 合成控制工具

    • 分割器 (Splitter): 精细控制长文本的分割结果
    • Podcast: 帮助创建 长文本、多角色 的音频，适合博客或剧本式的语音合成
    • From Subtitle: 从字幕文件生成 SSML 脚本，方便一键生成语音
    • 脚本编辑器 (Script Editor): 新增 SSML 脚本编辑器，支持从分割器（Podcast、来自字幕）导出并编辑 SSML 脚本，进一步优化语音生成效果

  • 音色管理 (Voice Management):

    • 音色构建器 (Builder): 创建自定义音色，可从 ChatTTS seed 创建音色，或使用参考音频生成音色
    • 试音功能 (Test Voice): 上传音色文件，进行简单的试音和效果评估
    • ChatTTS 调试工具: 专门针对 ChatTTS 音色的调试工具
      • 音色抽卡 (Random Seed): 使用随机种子抽取不同的音色，生成独特的语音效果
      • 音色融合 (Blend): 融合不同种子创建的音色，获得新的语音效果
    • 音色 Hub: 从音色库中选择并下载音色到本地，访问音色仓库 Speech-AI-Forge-spks 获取更多音色资源

  • ASR (自动语音识别):

    • ASR: 使用 Whisper/SenseVoice 等模型进行高质量的语音转文本（ASR）
    • Force Aligment: 使用 Whisper 模型可以进行【文稿匹配】提高识别准确性

  • 工具 (Tools):

    • 后处理工具 (Post Process): 提供音频剪辑、调整和增强等功能，优化生成的语音质量

launch.py: API Server

某些情况，你并不需要 webui 或者需要更高的 api 吞吐，那么可以使用这个脚本启动单纯的 api 服务。

启动：

python launch.py

启动之后开启 http://localhost:7870/docs 可以查看开启了哪些 api 端点

更多帮助信息:

  • 通过 python launch.py -h 查看脚本参数
  • 查看 API 文档

Docker

手动 build

  • webui: docker-compose -f ./docker-compose.webui.yml up -d
  • api: docker-compose -f ./docker-compose.api.yml up -d

环境变量配置

模型支持

模型类别 模型名称 支持多语言 实现情况
TTS
Index-TTS en, zh ✅ (v1/v1.5)
Qwen3-TTS en, zh ✅
FishSpeech en, zh, jp, ko ✅ (1.4)
CosyVoice en, zh, jp, yue, ko ✅ (v2/v3)
FireRedTTS en, zh ✅
F5-TTS en, zh ✅ (v0.6/v1)
Spark-TTS en, zh ✅
GPT-SoVITS en, zh, ja, ko, yue ✅
ChatTTS en, zh ✅
Cloud TTS
MiniMax Cloud TTS en, zh, jp, ko + more ✅ (speech-2.8-hd/turbo)
ASR
Whisper ✅ ✅
SenseVoice ✅ ✅
Voice Clone OpenVoice — ✅
Enhancer ResembleEnhance — ✅

模型下载

python -m scripts.download_models --source=modelscope --models="model1,model2,..."

🔍 说明：

  • 支持 --source=huggingface 或 --source=modelscope 或 --source=auto （自动根据网络环境选择hf或者ms）
  • 模型 ID 大小写不敏感，可忽略 -, _, / 等符号
  • 例如：Qwen3-TTS-12Hz-0.6B-Base 可写作 qwen3tts12hz06bbase 或 qwen3-tts-0.6b-base

📌 模型ID列表

模型类别 内部模型 ID（可直接用于 --models）
TTS ChatTTS
CosyVoice2-0.5B
CosyVoice_300M_Instruct
Fun-CosyVoice3-0.5B-2512
F5-TTS-V1
FireRedTTS
fish-speech-1_4
fish-speech-1.2-sft
Index-TTS-1.5
Index-TTS
Index-TTS-2
Qwen3-TTS-12Hz-0.6B-Base
Qwen3-TTS-12Hz-0.6B-CustomVoice
Qwen3-TTS-12Hz-1.7B-Base
Qwen3-TTS-12Hz-1.7B-CustomVoice
Qwen3-TTS-12Hz-1.7B-VoiceDesign
Spark-TTS-0.5B
gpt_sovits_v4
ASR faster-whisper-large-v3
faster-whisper-large-v3-turbo-ct2
SenseVoiceSmall
CV / Voice Clone OpenVoiceV2
Enhancer resemble-enhance
依赖模型（Index-TTS-2 所需） amphion/MaskGCT
nvidia/bigvgan_v2_22khz_80band_256x
funasr/campplus
facebook/w2v-bert-2.0
vocos-mel-24khz
(sense_voice依赖) fsmn-vad

自动下载

配置环境变量 AUTO_DOWNLOAD 或者运行参数 --auto_download

  • auto_download=False: 关闭自动下载
  • auto_download=*: 当使用到的时候自动下载匹配的模型 "*" 表示通配所有模型
  • auto_download=qwen3*: 自动下载 "qwen3" 开头的模型

FAQ

Goto Discussion Page

Documents

Learn About Documents

Contributing

To contribute, clone the repository, make your changes, commit and push to your clone, and submit a pull request.

format code

isort --profile black

References

排名相邻
同类项目