Easy Voice Toolkit 是一个基于开源语音项目实现的简易语音工具箱，提供了包括语音模型训练在内的多种自动化音频工具，集成了GUI，无需配置，解压即用。

进入工作流后，上传参考图，选择控制类型（AIO辅助预处理器下节点下的preprocessor选择，常用的边缘控制 CannyEdgePreprocessor，姿势控制 DWPreprocessor，深度控制 DepthAnythingV2Preprocessor 等），输入提示词，设置生成分辨率（AIO辅助预处理器节点下的resolution，比如512，1024等），Controlnet 强度（

进入工作流后，上传参考图，选择控制类型（AIO辅助预处理器下节点下的preprocessor选择，常用的边缘控制 CannyEdgePreprocessor，姿势控制 DWPreprocessor，深度控制 DepthAnythingV2Preprocessor 等），输入提示词，设置生成分辨率（AIO辅助预处理器节点下的resolution，比如512，1024等），Controlnet 强度（

TIGER 是一种轻量级语音分离模型，通过频段分割、多尺度及全频帧建模有效提取关键声学特征。TIGER 模型大小不到20M，即使CPU也可以流畅运行，且支持人声伴奏分离（音频文件中分离人声和伴奏）、音频说话人分离（从多个说话人音频中分离出每个说话人的声音）、视频降噪以及视频语音分离等功能。远程教育和会议‌：在远程教育和在线会议中，TIGER能够分离出各个参与者的声音，减少背景噪音和干扰，提高沟通效

它以515M的参数规模，展现出令人惊叹的音频生成能力，能够在短短3.7秒内生成高达30秒的高质量音频，展现出卓越的性能和效率。该模型不仅能够生成各种音效，如鸟鸣和口哨声，还引入了一种新的优化框架CLAP-Ranked Preference Optimization（CRPO），以提升生成音频的质量和对齐性能。1、影视与游戏音频制作：TangoFlux可依剧本或场景描述，快速生成逼真音效、配乐及配音

超低延迟与高效部署‌ 推理延迟低于 200ms，支持实时应用（如语音助手、游戏对话），并提供轻量级 Python 库（chatterbox-tts）简化部署。情绪夸张控制‌ 首个支持通过参数调节语音情感强度的开源 TTS 模型，可生成从平淡到戏剧化的多种表达，显著优于传统机械输出。零样本语音克隆‌ 仅需数秒参考音频即可克隆目标声音，无需额外训练，适用于个性化语音助手和虚拟角色配音。TTS，和其他类

MOSS-TTSD（文本到语音对话）支持中英文的双语语音对话合成，能够将两个说话者之间的对话脚本转化为自然、富有表现力的会话式语音。通俗的讲，只需要上传两段参考音频，输入两个人的对话文字内容，即可一键生成两人的对话音频内容，生成对话语音自然、且富有表现力，几乎接近真人对话水平。MOSS-TTSD 是一种语音对话生成模型，能够支持中英文的富有表现力的对话语音合成，支持零样本多说话人语音克隆、语音事件

2. 抗漂移采样：告别“视频越生成越歪” 长视频生成最头疼的问题——生成到第10帧还正常，第50帧就“画风突变”，这是传统“单向依赖最后一帧”的缺陷。今天分享的 FramePack V2版，基于国外大佬 FurkanGozukara 的WebUI整合，新增了首尾帧生成功能（由大佬汤团猪提交）、新增LoRA支持、新增批量生成、新增gif等图像格式导出、新增生成分辨率和生成视频质量选择等。支持首位帧生

Moonshine 是由 Useful Sensors 公司推出的一系列「语音到文本（speech-to-text, STT）转换模型」，旨在为资源受限设备提供快速而准确的「自动语音识别（ASR）服务」。相比同类产品，如 OpenAI 的 Whisper，Moonshine 在处理速度上提高了五倍，并且在多个标准数据集上展示了更低的词错误率（WER）。据官方报告，Moonshine 的处理速度「比

Easy Voice Toolkit 是一个基于开源语音项目实现的简易语音工具箱，提供了包括语音模型训练在内的多种自动化音频工具，集成了GUI，无需配置，解压即用。