最近在给自己的 agent 工作流找音频方向的参考，想看看不靠神经网络的语音项目怎么做评测，这个仓库给了完整答案。

本周 Top5：security-audit-skill（+10,967）、skills（+9,872）、auto-ontology（+9,621）、agent-desktop（+9,502）、OpenMausBot（+8,951）。

落选备注，本期主角 chimera-vocal-synth 不在周榜前五（周榜被 agent 基建老仓包场），按 is_new 存活组第一入选；上期主角 DIYgod/pinky 一天从 1,492⭐ 涨到 1,732⭐。

jamesondh/chimera-vocal-synth 建仓于 11 月 5 日，六天拿到 1,738⭐、202 fork，MIT 协议，核心引擎用 Rust 写，编译到 WebAssembly 跑在 AudioWorklet 里，Hacker News 讨论拿到 353 分。它是一个物理建模语音合成器，肺、声带、喉、舌、唇、鼻腔全是仿真结构，每个音都从模拟气道的数值推进里长出来，不采样音频，也不跑神经网络。这篇文章说两件事，一副浏览器里的假嗓子怎么搭，以及它怎么把「像不像真人」变成可以回归测试的判卷系统。

它是什么

官网演示页截取，歌词写着 I am made of air

打开官网是一个头部剖面图，舌头、下颌、嘴唇可以直接拖拽，拖到哪儿发音就变，这是 Play 模式。Speak 接受英文文本（CMUdict 词典加规则兜底）或 IPA，转成手势谱朗读。Sing 是钢琴卷帘，每个音符挂一个音节，辅音安排在拍点前落地。Beatbox 把每件鼓定义成一个发音动作，配步进音序器。Bestiary 换一副解剖结构出动物声，鸣禽、威德尔海豹、美洲短吻鳄、非洲象，鸣禽有两条独立声唇，真能同时唱两个声部。男、女、童三种身体是两根连续轴上的混合，几何与音素目标按权重连续过渡。屏幕上的气压、气流、声带、频谱、共振峰全部来自引擎实时状态，屏幕里的每个动画都有对应的真实数据。

官网演示页截取，声带视图标注 slowed 100x

作者在架构文档开头贴了业主的需求原文，要终极的人声合成器，喉舌建模要老练，动物要分人、鸟、爬行类，要有打击乐，视觉要漂亮。同一节也列了未建清单，双质量声带模型、IPA 图模式、应用内 EQ 混响链、应用内 WAV 导出，欠账写在明面上。

为什么有意思

气道是一张带分支的网格

合成的核心是把气道建成一张交错网格传输线。放弃更常见的 Kelly-Lochbaum 结构而选 FDTD，理由在文档里有对照，变截面（喉位升降、唇前伸、体型差异）、闭合点后的气压积累、约束处的非线性损耗、屈服管壁、任意分支（鼻腔、鼻窦、梨状窝、两根支气管）能放进同一个框架。内部推进速率成人 96kHz，小型鸣禽 192kHz，再经多相半带抽取降到输出率。旁边还有一条频域链式矩阵模型做交叉验证，给 FDTD 当测试预言机。爆破音、挤喉音、搭嘴音没有特例代码，负肺压吸气、喉位升降、舌背下压全走同一套物理。

声音一变，测试全红

测试目录里躺着成组的 .f32 黄金音频。AGENTS.md 写明，任何改动只要动了声音就故意让测试失败，真要改音色走 CHIMERA_BLESS 重新背书流程，而且连跑两遍。文档还有一条容易被忽略的边界，蓝牙耳机把页面拉到 16kHz 采样率时，气道仿真算不过来会变 NaN，表现是无声且不报错。这条边界在 issue #33 真实爆发过，多名用户反馈开场半分钟后没声，根因是输出设备跑在 192kHz，仿真成本是三倍（修复在 #61）。作者让自己的 coding agent 以授权代发的方式回复 issue，回复末尾带披露行，提交记录里能查到 jamesondh-agents[bot] 的五个 commit。

判卷系统对齐真人

主观的音质被拆成几套对照。CSD 儿童歌曲数据集的职业女歌手管唱歌，五十首英语儿歌逐音符量音分、颤音率、气声指标。TSP 语料库的二十三个真人管说话，合成声念同样的哈佛句子，逐音素对齐了比。Whisper 的词错率管可懂度，文档给出的数字很坦白，真人错 2.7%，合成声错 37%。调音走 hill-climb 协议，一个 agent 一次做一个实验，判卷变好才保留，合入前必须作者亲耳确认。第二批实验里 sheet 被听成 feet，sharp 的 p 因闭点空气被挤压到肺压 11 倍而爆音，超出全句最响元音 7dB，两处分别由实验 16 与实验 18 修复。TSP 综合分从 1.994 收敛到 1.583，越低越好，真人自己的分是 0.277。有一轮 Whisper 判卷报了 4 分提升，作者盲听却大半样本分不出新旧，随后拒绝放宽判卷标准，转头搭了基于真人语料的评分器。

官网演示页截取，四件标本共用同一引擎

边界与局限

语言是第一道坎。英文是唯一上线的前端，韩语（#29）与中文（#34）的歌声前端各自以 PR 排队，两案独立收敛到同一设计，也踩了同一个坑，送气规则沿用英语那套，普通话 b、d、g、z、zh、j 一律按浊音近似（#40 有完整讨论）。

成熟度是第二道坎。英文合成离可用还有距离，Whisper 词错率 37%，文档自述擦音与爆破的真实度押在噪声源标定上，元音质量押在几何标定上。仓库没有 release，170 个 commit 全在 main 上，想引用建议先锁 commit。性能上 TS 引擎时代单核占用 30-45%，Rust 重写落地后好转，我在无 GPU 的无头浏览器里截图时负载表仍在 121% 到 143% 之间。issue 区还开着 #39 闭唇掉音高、#50 极限位姿发出 4 到 10kHz 尖叫。插件化刚开 PR（#62，CLAP/VST3/AU，macOS 先行）。

对谁有价值

音频与语音 DSP 工程师值得现在深读，FDTD 管网、黄金音频回归、真人语料判卷三件套在这个仓库里齐备，别的仓库很难凑齐。做 agent 工作流的人可以抄它的流程，一次一个实验、判卷定去留、人类耳朵终审，这套 hill-climb 协议本身就是一套可以直接搬走的实验纪律。音乐人建议等 PR #62 合并再上桌，中文用户等 #34，想直接拿它出成品配音的现阶段收益有限。

仓库 https://github.com/jamesondh/chimera-vocal-synth

我的用法分两层。网页今天就能打开玩，工程上先借它的黄金测试与判卷守卫，等中文前端和插件落地再谈正式采用。

数据截至 2026-11-11，来源 GitHub API、HN 讨论与 docs/ 目录原文