来自 Hugging Face 的 AI 项目

ACE-Step 1.5

ACE-Step · 工具包

根据文字描述生成完整歌曲，由规划歌词和结构的语言模型，加上渲染音频的扩散 Transformer 组成。设计上可在消费级硬件上运行。

Nemotron 3 Diarization

nvidia · 工具包

找出录音里谁在什么时候说话，最多支持八位说话人，可流式或离线运行，还能为转写文本加上说话人标签。适合处理会议、通话和媒体音频的人。

Inkling

thinkingmachines · 工具包

读取文字、图片和音频并写出文字，是一个庞大的开放多模态模型，适合编码助手、智能体和聊天机器人。适合有多 GPU 服务器或托管 API 的开发者。

parakeet-tdt-0.6b-v3

nvidia · 工具包

转写 25 种欧洲语言的语音，自动识别语言，并加上标点、大小写和词级时间戳。这是 NVIDIA 的 600M 参数语音转文字模型，面向开发者和转写服务。

gemma-4-E4B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 的小型指令微调 Gemma 4 模型，为在笔记本和手机上运行而设计。

Maya 2 Native

maya-research · 工具包

用 24 kHz 音频朗读 11 种印度语言和英语的文字，边生成边流式输出，带 20 个内置声音和跨语言声音克隆。这是一个可以自己托管的开放 2.5B 文字转语音模型。

gemma-4-E2B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 最小的指令微调 Gemma 4 模型，为手机和笔记本而设计。

MiMo-V2.6-Pro-RL

XiaomiMiMo · 工具包

在一个 1.02T 参数、1M 词元上下文的模型里同时处理文字、图像、视频和音频。它是小米 MiMo-V2.6 系列的旗舰，用大规模强化学习训练，面向编程和智能体工作。

whisper-large-v3-turbo

openai · 工具包

OpenAI 的更快的 Whisper 模型，用于语音识别和语音翻译，有 809M 参数，解码层只有 4 层。适合开发者和需要转写音频的人。

gemma-4-E4B

google · 工具包

Google DeepMind 的 Gemma 4 系列中的 E4B 模型，一个能读文字、图片和音频并输出文字的开放模型，面向笔记本和手机运行而设计。

caramel-1

naklecha · 工具包

这是一个 413M 参数的语音到语音模型，只用对话录音训练，从未见过文本，能进行实时的你来我往。适合语音 AI 研究者和爱好者。

Ming-3.0-tts-0.5B

inclusionAI · 工具包

把文字转成七种语言的语音，包括中文和英文。它能用一段短音频复制声音，按描述设计新声音，并控制情绪、语速、音高和音量。

gemma-4-12B

google · 工具包

Google 的 Gemma 4 12B Unified 模型，是能读文字、图片、音频和视频并输出文字的开放模型，上下文 256K，不需要单独的编码器。适合运行本地 AI 的开发者。

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。

Inkling-Small

thinkingmachines · 工具包

读取文字、图像和音频并用文字回答，面向开发助手、编程工具和智能体的开发者。这是稀疏混合专家模型，总参数 276B，每个词元激活 12B。

phonon-31m-en

gradium · 工具包

小型英文文字转语音模型，流式输出自然的 24 kHz 音频，可在笔记本 CPU、手机或浏览器标签页里运行。适合想在设备上出声的开发者。

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。

VoxCPM2

openbmb · 工具包

用 30 种语言和九种中文方言朗读文字，输出 48 kHz，可根据文字描述设计新声音，也能从一小段音频克隆声音。这是面向开发者的开放 2.3B 文字转语音模型。

NVIDIA NemotronLabs RE-USE

nvidia · 工具包

用 NVIDIA 推出的 9.6M 参数小模型，清理任何语言里有噪声或受损的语音录音，适合需要更清晰人声的音频和语音开发者。

embeddinggemma-2

google · 工具包

Google DeepMind 的开源嵌入模型，把文字、代码、图片、视频和音频放进同一个 768 维向量空间，可在笔记本和手机上运行。适合构建搜索和检索的开发者。

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。

GenreClassifier 音乐流派分类器

Enutrof · 工具包

用在 GTZAN 数据集上训练的 LSTM 模型，猜测上传音频的音乐流派。适合想试用小型音频分类器的音乐爱好者和学生。

ASR Ukrainian

arampacha · 工具包

一个 Gradio 应用，用 wav2vec2 XLS-R 检查点把乌克兰语语音转成文字。适合想在浏览器里转写乌克兰语音频的人。

Hindi_ASR

anuragshas · 工具包

一个 Gradio 应用，用 anuragshas 的 wav2vec2 XLS-R 模型把印地语语音转成文字。适合想在浏览器里转写印地语音频的人。

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。

Whisper Audio

yudarahma · 工具包

在浏览器或你自己的电脑上运行一个 Gradio 应用，名称和 README 标题把它和 Whisper 与音频联系在一起。README 只有一个标题，所以应用做什么只能推测。

DiffVox

yoyolicoris · 工具包

在浏览器或你自己的电脑上运行一个带有示例音频文件、绘图辅助脚本和两张示意图的 Gradio 应用。README 没有说明用途，所以它做什么只能从名称推测。

OuteTTS WebGPU

webml-community · 工具包

在浏览器里把你输入的文字变成语音，通过 Transformers.js 在 WebGPU 上运行 OuteTTS 语音模型，适合开发者和对浏览器端语音感兴趣的人。

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。

Kannada TTS - Kokoro-82M

Sammy-Mohan · 工具包

一个卡纳达语文字转语音模型的静态展示页，这个模型是 82M 的 Kokoro 模型的微调版本，带有可在浏览器里播放的音频样本。可在线打开，也可从本地副本打开。

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。

Teacher in the Loop

MithrilMan · 工具包

在浏览器里完整运行从 Kokoro-82M 蒸馏出来的 8M 参数小型语音合成声音，并附有对比各训练方案的音频样本。

YourMT3

mimbres · 工具包

在 Gradio 应用里运行 YourMT3 演示。它的文件夹名称指向把音频转成 MIDI 的音乐转录，适合处理音乐和音频模型的人。

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。

Gradio Lipsync Wav2lip

manavisrani07 · 工具包

在 Gradio 页面里运行 Wav2Lip 口型同步，把嘴部动作和语音音频对上，适合试验视频和语音工具的人。

WaveGen

LeeSangHoon · 工具包

根据一段参考录音、它的准确文字稿和要朗读的文字，生成英语或普通话语音。在 ZeroGPU 上提供 WaveGen V-Spec 和 WaveGen-Flash 两个模型，输出 24 kHz 音频。

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。

FASTDIAR

herimor · 工具包

在音频文件或麦克风实时流播放的同时标注谁在说话，延迟约一秒。适合做说话人分离的语音开发者和研究者的演示。

MuseTalk 1.5

henrybit · 工具包

用参考图片或视频加一段驱动音频生成口型同步的视频，并提供嘴部区域的测试步骤。是给做说话人脸的人用的 Gradio 演示。

Whisper Chileno

hablaip · 工具包

把智利西班牙语语音转成文字，用 LoRA 适配器在 Whisper large-v3 上针对呼叫中心音频调优。适合语音团队和呼叫中心开发者的演示。

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。

MelodyFlow

facebook · 工具包

运行 facebook 团队的音频生成模型演示，基于 AudioCraft 库构建。适合想在浏览器里试用音乐和声音生成，或者想读代码的人。

OWSM v4

espnet · 工具包

用 Gradio 演示页在浏览器里对你给的音频运行 OWSM v4 开源语音模型，适合想试用或对比语音模型的人。

OWSM v4

espnet · 工具包

用 OWSM v4 模型转写语音、在语言之间翻译、识别说的是哪种语言并解码长录音，可选文字提示词。适合语音研究者和想测试多语言音频的人。

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。

NatureLM-Audio

EarthSpeciesProject · 工具包

一个演示：你上传一段动物声音的音频，在聊天里就它提问。它运行 NatureLM-audio 模型，在浏览器中打开，无需安装。

ClaimRadar BG

DyrakArmy · 工具包

在保加利亚语文本、音频和视频中找出可核查的说法，在网上搜索来源，并给每个说法一个带证据的结论。适合想检验自己所读所听内容的记者、事实核查人员和读者。

Audioldm Text To Audio Generation

dimaiklov · 工具包

在 Gradio 页面里，用 AudioLDM 模型把一段文字描述变成音频片段。适合想试用文字生成音频、又不想自己配置模型的创作者和开发者。

Crystal Audio Cleaner

devenramanuj1 · 工具包

一个 Gradio 应用，名字指向清理音频，在 ZeroGPU 硬件上运行。README 没有任何描述，所以请直接看页面了解它能做什么。

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。

AI Talking Avatar Generator From Photo

cosmichackerx · 工具包

用 SadTalker 在 ZeroGPU 上，把一张静态照片和一段音频或语音文件变成口型对得上的说话头像视频。适合制作主持人视频、演示和在线课程片段的创作者。

Voxtral Studio

codexxx · 工具包

通过你自己的 Mistral API 密钥，用 Mistral AI 的 Voxtral 模型把语音转成文字、把文字转成语音，并把一段声音样本变成可重复使用的克隆声音。适合需要转写或配音的人。

SplitSafe - Audio ML Leakage Auditor

boobalanit · 工具包

用不需要 GPU 的音频指纹，检查音频数据集的训练、验证和测试划分里有没有泄漏的副本和重复的说话人。适合构建音频机器学习模型的人。

Speech analysis

audeering · 工具包

对一段语音录音运行 audEERING 的两个 wav2vec2 模型，一个判断情绪，一个估计年龄和性别，并自带四段示例音频。这是面向语音研究者的 Gradio 演示。非商用许可。

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。

Vevo for Zero-shot VC, TTS, and More

amphion · 工具包

无需针对某个说话人训练，就能根据参考音频模仿声音，用于语音转换和文字转语音。这是 Amphion 项目里 Vevo 模型的演示，适合研究者和音频开发者。

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。

Supertonic 3 (TTS)

Supertone · 工具包

Supertonic 3 文字转语音的网页演示，Supertone 称它快速、在设备上运行、支持多语言且准确。在浏览器里运行。适合想听听它的创作者和开发者。

Vāgdhenu

prathoshap · 工具包

一个梵语吟诵的文字转语音演示，接受多种印度文字书写的诗句，让你选择格律，并渲染成音频。运行在 Hugging Face ZeroGPU 上。

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。

Music Flamingo

nvidia · 工具包

在 Gradio 页面里，用 NVIDIA 的 Music Flamingo 模型处理音乐音频，运行在 Hugging Face 的 ZeroGPU 硬件上。适合处理音频和音乐的研究者和开发者。

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。

Turkish ASR Leaderboard

EmreAkgul · 工具包

在一套 Google 测试数据集上，按基准测试和计时结果对比土耳其语语音转文字模型，帮你为土耳其语音频选一个语音识别模型。

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。

LinnetTTS

VoxRT · 工具包

用 LinnetTTS 把文字朗读出来，这是一个小型的设备端文字转语音模型，能流式输出音频，在 CPU 上实时运行。适合开发者，也适合想在浏览器里听听效果的人。

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。

Seed Voice Conversion

Plachta · 工具包

在运行于 ZeroGPU 硬件的 Gradio 页面里，把一个声音的语音转换成另一个声音，基于 Seed-VC。适合想试用声音转换的开发者和音频制作者。

Edge TTS Text To Speech

innoai · 工具包

在一个小型 Gradio 页面里把文字转成语音，可以在浏览器里打开，也可以在自己的电脑上运行。适合想不用安装就快速文字转语音的人。

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。

MTEB Leaderboard

mteb · 工具包

在浏览器或 Docker 里运行的排行榜页面，给文本、图像、音频和视频的嵌入模型排名。适合选择嵌入模型的人。