跳到主要内容Skip to main content

OSS · Scene 05

语音与音频

语音分识别(ASR)与合成(TTS)两条链。先看语言、实时性、说话人分离和授权,再选模型。

6个场景精选
适合会议转写、字幕、配音、语音助手与音频内容生产的人。适合谁

怎么选

• 多语言转写基线:Whisper;更快更省:faster-whisper。
• 中文会议与标点:FunASR;词级时间戳:WhisperX。
• 中文 TTS:CosyVoice;少样本克隆:GPT-SoVITS(必须授权)。
不适合:声音克隆不是玩具。没有本人授权,不要克隆、不要冒充、不要商用。

6 个仓库

按上手顺序,不是按 star
语音与音频先试这个

Whisper

openai / whisper

OpenAI 的语音识别模型与推理代码,多语言、带时间戳,安装简单。

语言
Python
许可
MIT
Stars
113.0k
最近推送
2026-08-31
看仓库卡 →
语音与音频轻量

faster-whisper

SYSTRAN / faster-whisper

用 CTranslate2 重写 Whisper 推理,速度更快、显存更省。

语言
Python
许可
MIT
Stars
26.9k
最近推送
2026-11-12
看仓库卡 →
语音与音频生产可用

FunASR

modelscope / FunASR

阿里达摩院的语音识别工具链,中文 ASR、标点、热词、说话人分离齐全。

语言
Python
许可
MIT
Stars
21.1k
最近推送
2026-11-18
看仓库卡 →
语音与音频特定场景

CosyVoice

FunAudioLLM / CosyVoice

零样本语音合成与音色克隆,支持多语言与情感控制。

语言
Python
许可
Apache-2.0
Stars
24.4k
最近推送
2026-05-25
看仓库卡 →
语音与音频轻量

ChatTTS

2noise / ChatTTS

面向对话场景的 TTS,韵律自然,支持中英文与笑声等副语言。

语言
Python
许可
AGPL-3.0
Stars
40.0k
最近推送
2026-04-10
看仓库卡 →
语音与音频特定场景

Fish Speech

fishaudio / fish-speech

多语言 TTS 与音色克隆,强调少样本、跨语言与情感表达。

语言
Python
许可
NOASSERTION
Stars
33.8k
最近推送
2026-11-14
看仓库卡 →

并排看

许可、语言、活跃度、适合 / 不适合
字段Whisperfaster-whisperFunASRCosyVoiceChatTTSFish Speech
上手层先试这个轻量生产可用特定场景轻量特定场景
语言PythonPythonPythonPythonPythonPython
许可MITMITMITApache-2.0AGPL-3.0NOASSERTION
Stars113.0k26.9k21.1k24.4k40.0k33.8k
最近推送2026-08-312026-11-122026-11-182026-05-252026-04-102026-11-14
适合多语言识别稳,适合做转写基线。比原版 Whisper 快数倍,显存占用低。中文识别与标点恢复成熟。中文 TTS 自然度与音色相似度表现好。对话语气自然,不像传统 TTS 念稿。少样本克隆效果好,支持多语言。
不适合实时低延迟流式识别要额外工程。需要原版 Whisper 的全部研究接口,直接用原版。非中文场景不一定比 Whisper 好。声音克隆有授权与滥用风险,必须取得同意。音色克隆与细粒度控制有限。克隆他人声音必须得到授权。