AI 效率技能与自动化

ACE-Step 1.5 XL SFT

ACE-Step · 工具包

用 4B 扩散解码器根据文字生成音乐，50 步并带引导控制，音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。

Mega-ASR

zhifeixie · 工具包

转写来自嘈杂、有回声、削波或重叠的录音里的英文和中文语音，并把干净的音频交给基础模型。适合处理困难音频的团队。

Qwen2-Audio-7B-GGUF

NexaAI · 工具包

在本地运行 Qwen2-Audio，用语音聊天并分析音频，包括语音翻译、转写和声音检测。这是用于 Nexa-SDK 的 GGUF 副本，适合想在自己设备上用音频 AI 的人。

Ming-3.0-audio-tiny

inclusionAI · 工具包

听音频并按文字指令用文字作答，还可选择语音回复。这是 inclusionAI 的紧凑音频语言模型，适合做中英文语音识别、语音提问和音频理解。

Applio

IAHispano · 工具包

带浏览器界面的语音转换工具，注重易用和音质，支持插件。适合只转换自己有权使用的音频的艺术家、开发者和研究人员。

MOSS-Transcribe-Diarize-GGUF

cstr · 工具包

一次性把音频转成带时间戳和说话人标签的文字稿。这是一个 0.9B 模型的 GGUF 转换版，供 CrispASR 使用，适合想在自己电脑上生成会议或访谈文字稿的人。

Mel-Band RoFormer Deux

becruily · 工具包

becruily 的双 Mel-Band RoFormer 模型，把歌曲拆成人声和伴奏，并列出各自的 SDR 得分。适合非商业的音频工作。

一个把录音变成 Notion 笔记的 n8n 工作流。它盯着一个 Google Drive 文件夹，每个新录音交给 OpenAI 转成文字，再由第二个 OpenAI 步骤写出结构化摘要，标题和摘要进入一个新的 Notion 页面。

MiMo-V2.5-ASR

XiaomiMiMo · 工具包

转写普通话、英语和粤语的语音，包括中文方言、中英夹杂、歌词、嘈杂音频和多人会议，并自动加标点。适合需要语音转文字的团队。

NVIDIA NemotronLabs RE-USE-laughter

nvidia · 工具包

清理多语言的嘈杂语音录音，同时保留笑声。这是一个 9.6M 参数的语音增强模型，适合修音频的创作者和准备语音数据集的研究人员。

GigaAM-v3

ai-sage · 工具包

把俄语语音转成文字，有能加标点并规范文本的变体，基于约 230M 参数的 Conformer。适合转录俄语音频（如通话）的开发者和团队。

ACE-Step 1.5 XL Turbo

ACE-Step · 工具包

用 4B 参数的扩散模型只需 8 步就能生成音乐和其他音频，通过 Gradio 界面在本地运行。适合有 12 GB 以上显存 GPU 的创作者和开发者。

granite-speech-5.0-2b

ibm-granite · 工具包

把六种语言的语音转成文字，并在英语与其他语言之间翻译语音，支持关键词偏置和语言提示。这是 IBM 面向企业音频的紧凑 2B 语音语言模型。

faster-whisper-large-v3

Systran · 工具包

把音频文件里的语音转成带时间戳的文字，是为 CTranslate2 和 faster-whisper 转换的 OpenAI Whisper large-v3。适合在自己机器上转写多语言录音的开发者。

English_audio_transcriptor

Sakil · 工具包

在 Gradio 页面里用 wav2vec2 base 模型把英语语音转成文字，带有四段示例对白音频。适合学生、开发者，以及需要快速文字稿的人。

Persian ASR

SajjadAyoubi · 工具包

在 Gradio 页面里用 wav2vec2 语音模型把波斯语语音转成文字。适合学生、开发者，以及需要波斯语音频文字稿的人。

DeepFilterNet

hshr · 工具包

在 Gradio 页面里用 DeepFilterNet 去掉语音音频里的背景噪声，附带示例片段，适合想整理语音录音的人和音频开发者。

Haas-ja-v1.0

third-intelligence · 工具包

用一个注重速度和准确率的 615.8M 语音识别模型把日语语音转成文字。适合在带 NVIDIA GPU 的 Linux 机器上转写日语音频的开发者和团队。

whisper-large-v3

openai · 工具包

OpenAI 的语音转文字模型，能转写多种语言的音频，可以把语音翻译成英文文字，还能加上句子或单词级时间戳，适合任何想把录音变成文字的人。

Romanian Speech Recognition

gigant · 工具包

在浏览器里用 wav2vec2 模型把罗马尼亚语语音转成文字，适合手上有罗马尼亚语音频的人，也适合想研究小型 Gradio 语音演示的人。

SpeechCloning 语音克隆

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是用克隆的声音读文字，带有一个参考音频片段文件夹。适合想用自己有权使用的声音试用开源语音克隆的人。

PoeticTTS 诗歌语音合成

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是朗读诗句，带有一个参考音频片段文件夹。适合想在浏览器里试用富有表现力的开源语音合成的人。

Multilingual TTS 多语言语音合成

Flux9665 · 工具包

Flux9665 做的多语言语音合成演示，仓库名叫 IMS-Toucan，带有参考音频片段和说话人识别模型。适合想在浏览器里试用开源语音合成的人。

Xm_transformer_600m 语音翻译

facebook · 工具包

Facebook 做的演示，围绕六个 xm_transformer_600m 翻译模型，带有 Common Voice 音频示例，从语言代码看是语音翻译。适合想在浏览器里试用语音翻译的人。

TTS Text To Speech

keshav6936 · 工具包

一个小型 Gradio 应用，把输入的文字转成语音。可以在 Hugging Face 的浏览器里用，也可以在自己的电脑上跑一份。

Automatic Speech Recognition

k2-fsa · 工具包

k2-fsa 项目的 Gradio 演示，把语音音频转成文字。它列出六个语音模型，包括 Vosk 俄语模型和 icefall 模型，在 CPU 上运行。

Ararat Music Studio

Vadim777511 · 工具包

根据文字描述生成音乐，把音频参考的风格带进新曲，或在保留旋律的前提下重新编曲。适合音乐人和创作者，带有亚美尼亚和东方风格预设。

Denoising U-Net

teamup-tech · 工具包

用两阶段 U-Net 去除老唱片录音里的噪声，并返回清理后的 WAV 文件。它在 CPU 上运行，适合档案管理员、音频修复者和音乐史研究者。

Bark

suno · 工具包

Suno 的 Bark 模型的演示，可根据文字生成音频，在浏览器里运行。许可是非商业的。适合想听听这个模型的创作者、研究者和开发者。

SNK Master IA

Snak80 · 工具包

一个在浏览器里为音频做均衡和母带处理的页面，可以借助 AI，也可以手动，并附官方 PDF 指南。适合想要简单母带步骤的音乐人和播客制作者。

Ultimate RVC

Ospsl · 工具包

一个在 Hugging Face Space 上运行的 Gradio 应用，名为 The Ultimate RVC Project。可以在浏览器里打开，或用 Python 3.12.7 运行一份副本。适合想看看它的音频爱好者和开发者。

MOSS TTS Nano

OpenMOSS-Team · 工具包

一个声音克隆演示，用上传的参考音频或内置预设的声音朗读你的文字。由 OpenMOSS-Team 制作，运行在 Hugging Face ZeroGPU 上。

Audio Separator Pro

nomadkaraoke · 工具包

用 50 多个模型把歌曲或录音拆成人声、乐器和鼓等分轨，支持批量运行和并排的模型对比。适合音乐人、DJ、卡拉 OK 制作者和音频剪辑师。

AUDIO

NguyenVanMau2311 · 工具包

在 Docker 容器的 7860 端口上运行一个名为 AUDIO 的小型 Node.js 风格项目。来源没有说它的音频功能是什么，所以适合想阅读或运行这些文件的开发者。

Remove Silence From Audio

NeuralFalcon · 工具包

在一个跑在基础 CPU 硬件上的小型 Gradio 应用里，去掉录音中的静音段。适合播客制作人、剪辑师和整理语音录音的人。

OpenVoiceV2

myshell-ai · 工具包

在 Gradio 应用里演示 MyShell 的语音模型 OpenVoice v2，带示例音频和缓存输出。适合想在线试用这个模型或阅读演示搭建方式的人。

VoxPocket 高棉语语音合成

muyleanging · 工具包

在浏览器里把高棉语文字转成语音，支持用短音频克隆声音、选择风格，也能按描述设计声音。适合做高棉语音频的创作者和研究者。

Confucius4-R2T2 WebGPU

mrfakename · 工具包

通过 WebGPU 在你的浏览器里把中文和英文语音转成文字，可以处理音频文件或实时麦克风。适合不想把音频发到服务器的人。

Music to MIDI

mason369 · 工具包

把音频文件转换成可编辑的 MIDI 或分离的 WAV 音轨，提供七种模式，包括多乐器和钢琴转写，适合音乐人和制作人。

Duyu-small

KaanAydinli · 工具包

在浏览器里把土耳其语和英语的语音转成文字，来源可以是录音或上传的文件。一个小模型在你自己的设备上运行，所以你的音频不会离开设备。

Transcripción automatica en aragonés

Juanpabl · 工具包

把阿拉贡语语音转成文字，可以上传音频文件，或用麦克风录一段最长 60 秒的录音。这是一个针对阿拉贡语微调的 Omnilingual LLM-3B 模型的演示。

phonon-wasm

fusorlabs · 工具包

用 Phonon 31M 模型在浏览器里的你自己的 CPU 上把文字转成语音，边计算边输出音频。适合想把文字变成语音，又不想用服务器的人。

MyanmarTTS

freococo · 工具包

用一个只有 31M 参数的小模型把缅甸语文字变成语音，是一个能在浏览器里运行的 Gradio 应用。适合使用缅甸语的创作者、老师和开发者。

ZONOS3 Mini

fffiloni · 工具包

用 Zyphra 的 ZONOS3-Mini 模型，把最多 600 个字符的文字转成语音，支持多种语言和预设声音。这是一个在 Hugging Face 上运行的 Gradio 应用。

Voice Clone Tool

ejzhu2026 · 工具包

用 10 到 30 秒的音频样本克隆一个声音，并用这个声音朗读新的文字，支持 16 种语言。适合需要一个经过同意的声音来做旁白或测试的人。

Pocket TTS (CPU)

D3vShoaib · 工具包

在网页里把输入的文字转成语音，使用 Kyutai 的小型文字转语音模型，普通 CPU 就能运行，并可选择内置声音。适合不想用 GPU 的人。

ByteDance Solo Piano Audio To MIDI Transcription

asigalov61 · 工具包

用 ByteDance 的钢琴转录代码，把一段钢琴独奏录音转成 MIDI 文件。这是一个面向钢琴手、编曲者和开发者的 Gradio 应用，在 Hugging Face 上通过浏览器运行。

ACE-Step v1.5

ACE-Step · 工具包

用 ACE-Step 1.5 音乐模型，根据简单描述和歌词生成完整歌曲，也能编辑或翻唱已有音频。适合想要本地、快速的 AI 音乐工具的音乐人和创作者。

UnlimitedMusicGen

Surn · 工具包

根据文字描述或一段引导旋律生成任意长度的音乐，方法是把生成的片段接起来。它扩展了 Meta 的 Audiocraft，适合音乐人、视频创作者和开发者。

HolosTTS: Ukrainian text to speech

patriotyk · 工具包

在浏览器里用 HolosTTS 模型朗读乌克兰语文本，该模型用包含多位说话人的乌克兰语数据集训练。适合处理乌克兰语音频的创作者、老师和开发者。

Parler-TTS

parler-tts · 工具包

在浏览器里用 Parler-TTS 大号和迷你模型把文字变成语音。适合创作者、开发者和想在使用前先听听模型效果的研究者。

Fast Whisper Turbo

mrfakename · 工具包

在 Gradio 应用里运行 OpenAI 的 whisper-large-v3-turbo 语音识别模型，用于快速转写。适合需要把音频转成文字的人，以及想读一个简短 Whisper 封装的开发者。

voice-call-wasm

fusorlabs · 工具包

在浏览器里用三个小模型在你自己的 CPU 上进行语音对话，模型下载完成后，不会把任何音频发到别处。

Parakeet Ultra Transcriptor

Zangurak1 · 工具包

把上传的音频或视频转成完整文字，提供 TXT 下载，词级时间可用时还提供 SRT 字幕文件。界面是西班牙语，适合学生和需要转写录音的人。

Sesame CSM

sesame · 工具包

Sesame 的 1B 对话语音模型的浏览器演示，可根据文字和音频输入生成语音。用于研究和教育，严禁冒充和欺骗。

RVC⚡ZERO

r3gm · 工具包

一个基于 VITS 的声音转换演示，可在浏览器里运行。自带一个示例声音模型、示例音频和一个 HuBERT 基础模型。适合探索声音转换的音频爱好者和开发者。

RVC-v2 + Beatrice-v2 Voice Conversion + training

Luminia · 工具包

用 RVC v2 或 Beatrice v2 模型把一段录音转换成另一种声音，还能用你自己的音频训练新模型，页面在 CPU 上也能运行。适合音频爱好者和开发者。

MusicGen

facebook · 工具包

用 MusicGen 模型把文字描述变成一小段音乐，是基于 AudioCraft 音频库的浏览器演示。适合想探索文字生成音乐的音乐人、开发者和研究者。

Drama 3

fishaudio · 工具包

用 Fish Audio 的 Drama 3 模型，把你写的一句话用你选择或设计的声音说出来，并用提示指导每一次演绎。适合探索富有表现力的语音和声音克隆的创作者。

一个用 ElevenLabs 朗读法语文字、用 OpenAI 转写这段音频的 n8n 工作流。OpenAI 模型把文字翻译成英语，再由 ElevenLabs 把英语读出来。

一个 n8n 工作流，给你一个用于文字转语音的 Web 地址。给它一个声音 id 和一段文字，回复就是 ElevenLabs 生成的音频文件。

一个手动启动的 n8n 工作流：一个 Set 节点存着一行文字和一个声音，OpenAI 的文字转语音接口把它变成一个 MP3 文件。改这两个字段，就能朗读任何内容。

一个带 webhook、接收语音提问的 n8n 工作流。OpenAI 把你的录音转成文字，Gemini 带着之前的对话回答，ElevenLabs 把回答读出来，作为音频文件返回。

mpv

mpv-player · 工具包

在命令行里播放音频和视频文件，支持多种格式、编解码器和字幕类型，可用于 Linux、Windows 和 macOS。适合喜欢在终端里运行播放器的人。

Hex

anomalyco · 工具包

在你的设备上进行本地语音转文字，并将结果直接粘贴到当前应用中。这款工具适合希望在不将音频数据上传至云端的情况下，实现隐私化语音识别的用户。

VoiceStudio 本地语音工作室

debpalash · 工具包

Palash Debnath 做的开源语音工作室，在你自己的电脑上运行。它能克隆和设计声音、给视频配音、听写、转写和朗读有声书，附有 Windows、macOS、Linux、Docker 和手机的安装说明。