一款以日语为中心的双语文本转语音系统,基于大型语言模型,提供高度准确、自然且稳定的发音,支持日语和英语(包括混合代码切换),并通过负责任获取的数据实现跨多种说话风格的零样本声音克隆。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
3,000
Hugging Face 点赞数
75
收录日
2026年6月7日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | — |
| 2026年6月 | 64,000 |
| 2026年7月 | — |
| 2026年8月 | 13,000 |
| 2026年9月 | — |
| 2026年10月 | 4,000 |
| 2026年11月 | 3,000 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- Irodori-TTS-v4.1-Small-GGUFsakasegawa4k仅使用 speech.cpp 的 GGUF 模型,用于日语 TTS,可在参考声音或描述/自动选择的声音中提供单句音频,采用 Euler 采样(默认 40 步),并支持自定义引导、调度和说话人缩放。
- piper-plus-tsukuyomi-chanayousanz4k一款名为 tsukuyomi‑wavlm 的日本文本转语音模型——在 tsukuyomi corpus 的 100 条语句上经过 300 个周期的微调,使用 WavLM 判别器和 A1/A2/A3 声韵特征,基于 VITS 架构,导出为 61 MB 的 ONNX 文件,用以生成 22.05 kHz 的合成语音。
- irodori-tts-GGUFcstr1kIrodori‑TTS‑500M‑v3 是一款 500 M 参数的 Rectified Flow Diffusion Transformer,支持日语/混合文本。它以 GGUF/ggml 量化模型形式发布(F16 ≈1.9 GB, Q4_K ≈852 MB, Q8_0 ≈896 MB),可选配参考潜在编码器和语义 DAC‑VAE 解码器,采用 MIT 许可证。
- Drama-3-JapaneseAratako1k日本细调的 Fish Audio Drama 3 模型,支持单说话人文本转语音,可选参考音频、描述性字幕以及内联情感标签,实现富有表现力的交付。
- Irodori-TTS-v4.1-Small-MF-CoreMLAILogDev1k一个用于 iPhone/Apple‑Silicon Mac 的 Core ML 模型和 Swift SDK,支持日语 TTS,可使用全尺寸版本和轻量化 INT8 版本,实现声音克隆、文本驱动的说话风格,并可离线合成到 48 kHz 单声道 PCM16 WAV,同时提供简易下载、验证和示例项目。
研究领域相近的资源
- LFM2.5-Audio-1.5B-JP-GGUFLiquidAI506kLiquidAI 的 LFM 2.5‑Audio 1.5B JP 模型的量化 GGUF 版本,包括语言、音频编码器和声码器权重(F32/F16/Q8_0/Q4_0),以及使用 llama.cpp 的 ASR 和 TTS CLI/Server 运行器。共同: 语音与音频
voicevox_engineVOICEVOX1.8k免费使用的中等质量的文本朗读软件,VOICEVOX的语音合成引擎GitHub共同: 语音与音频
voicevox_coreVOICEVOX1.2kVOICEVOX的核心是一款中等质量的免费文本朗读软件。GitHub共同: 语音与音频
jpreprocessjpreprocess61用于文本转语音应用程序的日语文本预处理器(OpenJTalk在Rust语言中的重写)
用于文本转语音应用程序的日语文本预处理器(用Rust语言重写的OpenJTalk)GitHub共同: 语音与音频- japanese-hubert-base-phoneme-ctcprj-beatrice4k基于 rinna/japanese‑hubert‑base 的微调日语音素 CTC 模型,使用 ReazonSpeech v2 数据和 pyopenjtalk‑plus 标签进行训练,在新版 v2 发布(prj-beatrice/japanese-hubert-base-phoneme-ctc-v2)中实现了更高的准确率。共同: 语音与音频
- japanese-hubert-base-phoneme-ctc-v3prj-beatrice2k为CTC音素识别微调的日本HuBERT-base(v3),加入了MeCab N‑best与pyopenjtalk‑plus后处理、结合CTC和MeCab成本的加权损失、更新排除规则,以及新增“ty”音素。共同: 语音与音频