lenML/Speech-AI-Forge

解决的问题

Speech-AI-Forge 为各种最先进的文本转语音 (TTS) 和自动语音识别 (ASR) 模型提供统一的接口和部署框架。它消除了为不同的语音 AI 模型安装和管理多个独立仓库的需要，为语音生成、克隆和转录提供了一个集中式中心。

工作原理

该项目实现了一个 API 服务器和一个基于 Gradio 的 WebUI，用于封装多种语音模型。它支持广泛的模型，包括 ChatTTS、CosyVoice、FishSpeech、GPT-SoVITS、F5-TTS 和 Qwen3-TTS，以及 Whisper 和 SenseVoice 等 ASR 模型。用户可以通过 Windows 独立包、Google Colab、Docker 或本地安装进行部署。

适用对象

专为需要高质量 AI 语音合成和转录服务，且不想处理管理多个独立模型环境复杂性的开发者和创作者设计。

亮点

• 多模型支持：集成了众多 TTS 引擎（如 ChatTTS、CosyVoice、F5-TTS）和 ASR 引擎（Whisper、SenseVoice）。
• 高级语音控制：具有说话人切换、自定义语音上传、基于参考的克隆和风格控制功能。
• SSML 支持：包括用于精细控制长文本合成、播客风格多角色音频以及字幕转语音生成的工具。
• 语音管理：用于创建、混合和测试自定义语音的工具，包括一个专门的语音资源中心。
• 全面的工具集：包括语音增强器 (ResembleEnhance) 以及用于音频裁剪和调整的后处理工具。
• 灵活的部署：既提供用于交互式使用的完整 WebUI，也提供用于高吞吐量应用的的独立 API 服务器。