懂AI
fish-speech

fish-speech

全新的TTS解决方案

Fish Speech项目是一个基于最新语音合成模型的平台，提供包括VITS2、Bert-VITS2在内的多种模型。项目代码遵循CC-BY-NC-SA-4.0许可发布，且拥有多种语言文档支持和实用的在线演示。该平台适用于学术研究和开发使用，旨在推动语音合成技术的发展并提供高质量的语音生成服务。

Fish Audio语音合成本地推断在线演示开源Github开源项目热门
访问官网GitHub文档

Fish Speech 项目介绍

Fish Speech 是一个开源的多语言文本转语音(TTS)项目，具有语音克隆功能。该项目由 Fish Audio 团队开发，旨在提供高质量、灵活且易于使用的语音合成解决方案。

主要特点

  1. 零样本和少样本 TTS：用户只需提供 10 到 30 秒的语音样本，就能生成高质量的 TTS 输出。项目文档中提供了详细的语音克隆最佳实践指南。

  2. 多语言和跨语言支持：Fish Speech 支持多种语言，包括英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语。用户可以直接输入多语言文本，无需担心语言切换问题。

  3. 无音素依赖：该模型具有强大的泛化能力，不依赖于音素进行 TTS。它可以处理任何语言脚本的文本。

  4. 高度准确：对于 5 分钟的英语文本，Fish Speech 能够实现约 2% 的低字符错误率（CER）和词错误率（WER）。

  5. 快速处理：借助 Fish-tech 加速技术，在 Nvidia RTX 4060 笔记本上实时因子约为 1:5，在 Nvidia RTX 4090 上约为 1:15。

  6. Web 界面推理：提供基于 Gradio 的易用 Web 界面，兼容 Chrome、Firefox、Edge 等浏览器。

  7. GUI 推理：提供基于 PyQt6 的图形界面，可与 API 服务器无缝配合。支持 Linux、Windows 和 macOS 系统。

  8. 易于部署：可以轻松设置推理服务器，原生支持 Linux、Windows 和 MacOS，最大限度地减少速度损失。

Fish Agent 功能

除了 TTS 功能，Fish Speech 项目还包括 Fish Agent 组件，具有以下特点：

  1. 完全端到端：自动集成 ASR 和 TTS 部分，无需插入其他模型，实现真正的端到端解决方案。

  2. 音色控制：可以使用参考音频来控制语音音色。

  3. 情感表达：模型能够生成具有强烈情感的语音。

开源和许可

Fish Speech 项目及其所有模型均在 CC-BY-NC-SA-4.0 许可下发布。这意味着用户可以自由使用、修改和分享项目，但需要遵守非商业用途、署名和相同方式共享的条件。

在线演示和快速开始

项目提供了在线演示网站，用户可以直接体验 Fish Speech 和 Fish Agent 的功能。对于本地推理，项目提供了 Jupyter Notebook 文件，方便用户快速上手。

多语言支持

Fish Speech 项目非常注重国际化，提供了英语、中文、日语和葡萄牙语（巴西）的文档和样本，方便来自不同语言背景的用户使用和参考。

社区和贡献

Fish Speech 项目欢迎社区贡献，用户可以通过 GitHub 仓库提交问题或拉取请求。项目还设有 Discord 社区，方便用户交流和讨论。

总的来说，Fish Speech 是一个功能强大、灵活且易用的开源 TTS 项目，为语音合成和语音克隆领域带来了新的可能性。无论是个人用户还是开发者，都可以从这个项目中受益，探索语音技术的前沿应用。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多