Amphion
OpenMMLab 出品的音频、音乐和语音生成工具包。支持多种音频合成、语音转换和音乐生成模型，旨在支持可复现研究，帮助研究人员快速入门音频 AI 生成领域。9.8K+ stars。
🎯适用场景：AI 音乐创作、语音合成与变声、音频数据集处理与增强
📥 收录于 2026/6/3
📊 仓库数据
✅ 优点
- •覆盖音频 AI 多个子领域
- •OpenMMLab 生态支持
- •文档详细便于上手
⚠️ 限制
- •部分模型依赖特定硬件
- •音质与商用工具仍有差距
- •模型推理速度较慢
🔗 相关工具
Stable Diffusion WebUI
github.com/AUTOMATIC1111/stable-diffusion-webui
最流行的 Stable Diffusion Web UI，162,491+ stars。提供直观的图形界面，支持文生图、图生图、ControlNet、LoRA 微调、Inpainting 等核心功能，是 AI 图像生成领域的事实标准工具
🎯大模型微调与训练、多模态内容理解与生成
ComfyUI
github.com/comfyanonymous/ComfyUI
节点式 Diffusion 模型 GUI，109,363+ stars。基于节点的工作流编排，可视化连接各处理模块，是最强大的图像生成工作流工具，支持 SDXL、Flux、Stable Cascade 等最新模型
🎯AI 工作流编排与自动化、多模态内容理解与生成
OpenAI Whisper
github.com/openai/whisper
OpenAI 开源语音识别模型，99.9K+ stars。支持 99 种语言自动语音识别与翻译，可本地部署保护隐私，广泛用于会议转录、字幕生成等场景
🎯多语言语音转文字、音频转录、本地私有化语音识别
Deep Live Cam
github.com/hacksider/Deep-Live-Cam
实时人脸替换工具，91,252+ stars。仅需一张照片即可实现实时视频换脸和一键视频 Deepfake，基于 AI 视觉模型实现高精度面部替换。支持摄像头实时预览和离线视频处理，是 AI 换脸领域最受欢迎的开源项目。
🎯多模态内容理解与生成
OpenCV
github.com/opencv/opencv
开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。
🎯多模态内容理解与生成
PaddleOCR
github.com/PaddlePaddle/PaddleOCR
百度开源的多语言 OCR 工具，75,995+ stars。支持 80+ 语言识别，提供超轻量级中文 OCR 模型（仅几 MB），可部署于服务器、移动端和嵌入式设备，是工业级 OCR 方案的首选
🎯多模态内容理解与生成