VibeVoice
微软开源的前沿语音 AI 模型，支持高质量语音合成与声音克隆，适用于多语种 TTS 与语音交互场景
🎯适用场景：机器人控制、仿真与边缘部署、语音合成与实时语音交互
📊 仓库数据
📈 Stars 变化 ↑12 小时 +8· 统计区间 7/10 12:08 → 7/11 00:11（12 小时）
✅ 优点
- •微软前沿研究
- •语音质量高
- •开源可商用
⚠️ 限制
- •需要 GPU 推理
- •文档较少
🔗 相关工具
MOSS-TTS
github.com/OpenMOSS/MOSS-TTS
OpenMOSS 团队开源的高保真语音生成模型家族，支持语音合成、声音生成和多语言语音
🎯高保真语音合成，适合语音助手、有声内容生成等场景
Voicebox
github.com/jamiepine/voicebox
Voicebox 是开源的语音合成工作室，提供高质量的文本转语音 (TTS) 能力。支持多语言、多音色、情感化语音生成，22,208 stars（周增 5,198 星）。与商业 TTS 服务不同，Voicebox 完全开源可自部署，提供 Web UI 和 API 两种使用方式。支持声音克隆（少量样本即可）、实时流式输出、SSML 标记语言控制韵律和语调，是播客制作、有声书生成、游戏配音和 AI 语音助手的理想选择
🎯播客/有声书自动化、游戏 NPC 配音、AI 语音助手、视频内容配音、无障碍朗读
MockingBird
github.com/babysor/MockingBird
5 秒克隆声音，37K+ stars。5 秒克隆声音生成任意语音的实时语音合成工具，支持多语种语音克隆
🎯语音合成与实时语音交互
VoxCPM2
github.com/OpenBMB/VoxCPM
VoxCPM2 是由清华大学和 OpenBMB 联合开源的无 Tokenizer 语音合成模型。不同于传统 TTS 模型先将文本转为 token 再生成语音的流程，VoxCPM2 直接从字符映射到音频波形，消除了 Tokenizer 环节带来的信息损失。2B 参数规模，支持 30 种语言、48kHz 录音棚级音质、零样本语音克隆（仅需 3 秒参考音频即可复刻音色）和创意声音设计。GitHub 15K+ stars，是 2026 年最值得关注的开源 TTS 项目之一。与 Voicebox 互补——VoxCPM2 偏重学术创新和无 Tokenizer 架构探索，Voicebox 偏重工程实用和用户体验
🎯开源 TTS 研究、中文语音合成、有声书/播客自动化、语音克隆实验、AI 助手语音输出、多语言内容本地化配音
Open-LLM-VTuber
github.com/Open-LLM-VTuber/Open-LLM-VTuber
本地运行的 Live2D 虚拟形象+语音交互系统（GitHub 6.9k 星），结合 LLM + TTS + Live2D，支持免手语音交互、语音打断，跨平台运行
🎯语音合成与实时语音交互
MLX Audio
github.com/Blaizzy/mlx-audio
基于 Apple MLX 框架的语音合成与识别库，支持 TTS、STT 和 STT，在 Apple Silicon 上高效运行。
🎯在 Mac 上本地运行高质量的语音合成和识别
