来自 Hugging Face 的 AI 项目

faster-whisper-small

Systran · 工具包

转换成 CTranslate2 格式的 Whisper small，供 faster-whisper 转写音频。适合想在 Python 里本地做语音转文字的开发者。

YuE2-GGUF

Serveurperso · 工具包

yue2.cpp 的预量化 GGUF 文件，yue2.cpp 是一个 C++ 歌曲生成器，把风格标签和歌词变成立体声音频，并附上它写出的乐谱。适合想在自己电脑上运行的音乐人和爱好者。

Haas-ja-v1.0-GGUF

sakasegawa · 工具包

日语语音识别模型的 GGUF 文件，只能在 speech.cpp 中运行，支持 macOS、Windows、Linux，也可只用 CPU。适合在自己电脑上转写日语音频的人。

turn-1-mini

p99lab · 工具包

只凭音频，在 CPU 上实时检测说话人何时说完、别人何时插话。适合语音智能体和通话工具的开发者。

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。

whisper-persian-v4

nezamisafa · 工具包

把波斯语语音转成文字。它是在波斯语数据集上微调的 Whisper large v3，适合转写波斯语音频的开发者和团队。

YuE2-hum-to-song

Mothersuperior · 工具包

把 10 到 30 秒的哼唱旋律，加上风格描述和歌词，变成一首跟随你旋律的完整歌曲。这是 YuE2-3B 音乐模型的扩展，适合词曲创作者和音频研究人员。

Pocket TTS

kyutai · 工具包

Kyutai 的 100M 参数文字转语音模型，在 CPU 上运行，支持六种语言，流式输出音频，首个音频块约 200 毫秒，可用 Python 或命令行。

phonon-31m English for audio.cpp

gradium · 工具包

在 CPU 上用 31M 的文字转语音模型朗读英语文本，提供 GGUF 格式，供 audio.cpp 运行时使用。适合想要小型本地语音模型的开发者。

Hy-Nomas x LTX-2.5 Audio Workflows

BennyDaBall · 工具包

两个 ComfyUI 工作流，用标准的 LTX-2.5 蒸馏模型为无声的 Hy-Nomas 视频世界或任意视频片段配上音轨，画面保持不变。

whisperkit-coreml

argmaxinc · 工具包

收录 WhisperKit 使用的 Core ML 语音识别模型，在 Apple Silicon 上无需服务器就能把音频转成文字。适合想让转写留在设备上的 Apple 应用开发者。

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。

RubatoCodec

third-intelligence · 工具包

把语音压缩成固定数量、长度可变的事件及其时长，并在流式解码时还原。这是面向搭建英语、日语和中文流式文字转语音的神经语音编解码器。

Inkling-Small-NVFP4

thinkingmachines · 工具包

Inkling-Small 的 NVFP4 版本，一个多模态混合专家模型，接收文本、图像和音频并输出文本。适合构建智能体、编程助手和其他 AI 应用的开发者。

wespeaker-voxceleb-resnet34-LM

pyannote · 工具包

用 pyannote.audio 对 WeSpeaker ResNet34 模型的封装，把一段语音转成说话人嵌入向量，用来比较两个说话人有多像。适合语音和音频开发者。

Pipecat backchannel detector

pipecat-ai · 工具包

在语音机器人说话时听用户，区分一句简短的 "mm-hmm" 和真正的打断，让机器人继续说或停下。这是一个给语音智能体开发者用的微型流式音频模型。

Kokoro-82M-v1.0-ONNX

onnx-community · 工具包

用 Kokoro 把英文文本转成语音，这是一个 8200 万参数、打包成 ONNX 文件的文字转语音模型，可在 JavaScript 和 Python 中使用。适合想在应用里加一个小型本地语音的开发者。

YuE2 instrumental cot full LoRAs

Mothersuperior · 工具包

给 YuE2-3B 音乐模型用的 LoRA 附件，让它按前奏、主歌、副歌等分段计划写出器乐曲目。适合已经在运行 YuE2 的音乐人。

MERT-v2-FullSong

m-a-p · 工具包

一个音乐编码器，把 30 到 360 秒的整首歌转成帧级或整段级的数值特征。适合处理冻结嵌入的音乐 AI 研究者和开发者。

Mimi

kyutai · 工具包

Kyutai 推出的神经音频编解码器，把语音压缩成紧凑的音频令牌，再解码还原。适合构建语音语言模型或文字转语音系统的研究者和开发者。

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。

FireRedLID

FireRedTeam · 工具包

识别音频片段里说的是哪种语言，覆盖 100 多种语言和 20 多种中文方言和口音。它是 FireRedASR2S 的语种识别模块，面向语音开发者。

VoxLock

arbazsiddiqui · 工具包

在通话音频送入语音转文字之前，保留来电者的声音，去掉其他人的声音。这是一个 27.3M 参数的开源模型，可在 CPU 上流式运行，并为 Pipecat 和 LiveKit 语音智能体提供过滤器。

Russian Emotional TTS

Andreevai · 工具包

带情感并按标注的重音朗读俄语文字，还能从 3 到 10 秒的音频复制声音。只克隆你有权使用的声音。

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。

Jev-Omni

akhilaaa3 · 工具包

针对文字、图像、音频或视频提出的问题，对你列出的每个选项给出概率，而不是写一段解释。这是基于 Gemma 4 的 12B 分类器，适合需要带分数决策的开发者。

MiMo-V2.6-Flash-RL

XiaomiMiMo · 工具包

在同一个模型里处理文本、图像、视频和音频输入，上下文长达 1M token，适合长代码库和智能体运行。这是 XiaomiMiMo 推出的 311B 开放混合专家模型。

orukqwen-asr-1.7b

oruk · 工具包

把英文语音转成文字。它是用词错误率做强化学习后训练的 Qwen3-ASR-1.7B，适合需要英文转写的开发者和语音研究者。

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。

ESPNet2 ASR Librispeech word vs bpe tokens

jkang · 工具包

在 Gradio 页面里比较同一套 ESPnet2 Conformer 方案的三个英语语音识别模型，分别用 bpe、字符和词单位，附带示例音频，适合语音研究人员和学生。

ESPNet2 ASR Librispeech Conformer (100h)

jkang · 工具包

在 Gradio 页面里用在 100 小时 Librispeech 上训练的 ESPnet2 Conformer 模型把英语语音转成文字，附带示例音频，适合语音研究人员和学生。

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。

Tabla Transcriber

HridayKharpude · 工具包

在 Gradio 页面里用已保存的模型处理塔布拉鼓音频，附带以塔布拉节奏命名的示例录音，适合塔布拉学生和音乐技术爱好者。

embeddinggemma-2-740m-litert-lm

litert-community · 工具包

为 LiteRT-LM 设备端运行打包的 740M 多模态 EmbeddingGemma 2。它把文字、代码、图片、视频和音频映射到同一个 768 维向量空间。

Kandinsky S2V 1.0 Lite

kandinskylab · 工具包

把一张参考图和一段语音录音变成会说话的头像视频，整个人物都会跟着音频动起来。适合有高性能 GPU 的研究者和开发者。只能使用你有权使用的人脸和声音。

Realtime-Venus

inclusionAI · 工具包

包含两个 9B 模型，用于实时对话，能边听边说，处理打断，并把任务交给外部工具。一个能看视频和听音频，另一个只处理音频。

Ming-3.0-audio-flash

inclusionAI · 工具包

接收音频和文字指令，返回文字，或带合成语音的文字。涵盖中英文的语音识别、语音问答和音频推理。适合拥有大型 GPU 的开发者。

ZeroTTS

zeroweight-ai · 工具包

在笔记本 CPU 上实时朗读越南语文本，支持流式输出，并能用几秒钟的参考音频克隆声音。适合为应用和媒体加入越南语语音的开发者。

CLAP2-L

laion · 工具包

LAION 的 340M 参数音频文本模型，把声音和英文文本放进同一个嵌入空间，用于零样本音频分类、音频文本检索和通用音频嵌入。

gemma-4-12B-it

google · 工具包

接收文字、图片和音频并输出文字回答，是 Google DeepMind 的 12B 指令微调模型，上下文 256K 词元，思考模式可配置。适合在本地运行开放模型的开发者。

gemma-4-12b-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google 指令微调 Gemma 4 12B 的 GGUF 量化版本，一个能读文字、图片、音频和视频并输出文字的模型，适合本地运行。

embeddinggemma-2-GGUF

unsloth · 工具包

把文字变成 768 维向量，用于设备端的搜索、检索和聚类。基础模型还支持图像、视频和音频。由 Unsloth 打包成 GGUF。

MOSS-Transcribe-Diarize

OpenMOSS-Team · 工具包

一次性把多位说话人的长录音变成带时间戳、带匿名说话人标签的转写稿，适合在 50 多种语言里转写会议、通话、播客和访谈的团队。

LongCat-Next

meituan-longcat · 工具包

把文字、图像和音频作为离散 token 统一处理的原生多模态模型，参数 74.3B。适合构建能看、能听、能生成内容的应用的研究人员和开发者。

SheetSage2

m-a-p · 工具包

把音乐录音转成可编辑的乐谱，包含旋律、和弦、节拍、调性和结构，输出 ABC 和 MIDI 文件以及带时间的标注。这是基于 MERT-v2-FullSong 的 57.2M 模型。许可证为非商业。

gemma-4-E2B

google · 工具包

处理文本、图片和音频输入并输出文本，是为笔记本和手机设计的小型 Gemma 4 模型。来自 Google DeepMind，有效参数 2.3B，上下文 128K。

MiniCPM-o 4.5

openbmb · 工具包

一个 9B 模型就能处理图片、视频、语音和实时音视频流，并用英文和中文以文字和语音回答。适合构建语音和视觉助手的开发者。

AADD

gertelrina · 工具包

每 20 毫秒检测语音录音中的 12 种音频劣化，比如噪声、混响、削波和编解码伪影。适合清理语音数据集和审查录音。