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

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

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。

下拉加载更多