它能做什么？ —— 一个功能强大的音频“百宝箱”

audio.cpp 几乎集成了当下最热门的音频AI任务，堪称音频处理领域的“瑞士军刀”。它支持的功能包括但不限于：

• 🎤 语音识别与理解

• ASR（语音识别）：将语音精准地转为文字，支持多种语言。

• VAD（语音活动检测）：智能检测人声的起始和结束。

• Diarization（说话人分离）：识别“谁在什么时候说话”，非常适合会议记录场景。

• Forced Alignment（强制对齐）：将文本与音频中的发音进行时间轴对齐。

• 🗣️ 语音合成与克隆

• TTS（文本转语音）：将文字转换为自然流畅的语音。

• Voice Cloning（声音克隆）：用几秒钟的样本音频，复制出任何人的声音。

• Voice Conversion（声音转换）：将一段音频的音色转换为另一个人的声音，但保留原话的内容和情感。

• 🎼 音乐与音频生成

• Music Generation（音乐生成）：根据文字描述或提示生成音乐片段。

• Audio-to-MIDI：将音频信号转换为MIDI符号，方便音乐制作。

• Source Separation（音源分离）：像“解魔方”一样，将一首歌里的人声、鼓点、贝斯等不同乐器分离出来。

• 其他强大工具

• 内置音频降噪、增强、重采样等实用工具。

为什么说它是“性能野兽”？

audio.cpp 不仅功能多，而且非常快！项目文档中展示了一组令人印象深刻的性能数据（在NVIDIA RTX 5090上测试），相比Python实现的版本，速度提升是成倍的：

• 惊人的实时倍率：

• 使用Pocket TTS模型生成语音，速度是实时播放速度的48.4倍！意味着生成1小时的音频，实际只需1分多钟。

• 使用Supertonic 3模型生成音乐，速度更是达到了恐怖的187倍实时，生成10小时的音频仅需约3分钟（在RTX 5090上）。

• 吊打Python实现：

• 多个TTS模型的推理速度比Python参考实现快 1.8倍 到 10倍。

• 端到端延迟降低了 45% - 90%。

• 极低的首字延迟：在流式传输模式下，CUDA后端可实现低至47毫秒的首字延迟（TTFT），交互体验极其流畅。

海量模型支持，一站搞定

audio.cpp 支持了49个模型家族和70多种模型变体，你熟知的许多热门模型都在其中：

• TTS/语音克隆：Fish Audio, VibeVoice, VoxCPM2, IndexTTS2, OmniVoice, Qwen3-TTS, PocketTTS 等。

• ASR（语音识别）：Qwen3-ASR, Fun-ASR-Nano, Voxtral, SenseVoice, Citrinet 等。

• 音乐/音源分离：Stable Audio, ACE-Step, HTDemucs, Mel-Band RoFormer 等。

• 其他：RVC（变声器）, Silero VAD, MarbleNet VAD 等。

可以看到，从通义千问（Qwen）系列到各种前沿社区模型，都得到了很好的支持。

跨平台，多后端，部署无忧

无论你是什么硬件和系统，audio.cpp 都能很好地运行：

• 操作系统：支持 Windows、Linux、macOS。

• 硬件加速：充分利用你的硬件潜力，支持 NVIDIA（CUDA）、AMD（HIP/ROCm）、Apple Silicon（Metal）、以及通用的Vulkan和CPU 后端。

你既可以通过命令行工具（CLI）快速调用，也可以启动一个内置的 WebUI 界面，在浏览器里像使用本地软件一样操作，甚至还可以把它作为一个HTTP API服务器，集成到你的其他应用中。

整合包说明

1 大部分模型8G英伟达显卡就可以愉快玩耍

2 我只分享了windows版本

3 默认下载indextts 2.5 模型

4 模型文件我放在models。也可以自己根据需要手动下载模型文件（需开启科学上网）

20260913 更新记录

1 升级到官方最新0.74

2 未集成任何模型文件，可以自动下载模型（需科学上网），或者自己根据需求下载models文件夹里面对应的模型

点击查看

下载地址

夸克网盘

下载有疑问看下这里