开源音乐生成基础模型，用符号规划、零样本翻唱和智能体编辑从歌词生成完整歌曲，适合研究音乐生成与风格迁移。

MIT 6.S191 深度学习入门课的实验材料，用 Jupyter Notebook 带你动手实现计算机视觉、强化学习和音乐生成等模型，适合边学理论边写代码。

基于苹果 MLX 框架的语音处理库，在 Apple Silicon 上高效完成语音合成、语音识别和语音转换，适合本地跑多模态语音任务。

纯 C++ 音频推理引擎，基于 ggml 实现，一套代码覆盖语音合成、识别、VAD、变声和音乐生成，不依赖 Python，适合边缘部署。

一个基于 Gradio + React 的 WebUI，把 GPT-SoVITS、CosyVoice、XTTSv2、Bark、MusicGen、RVC 等二十多种语音合成、音频生成与音乐生成模型整合到同一界面，省去逐个部署的麻烦。

一站式本地 AI 影音工作室，输入一句提示词就能规划完整音乐视频和短片，涵盖视频、图像与音乐生成，基于 WanGP 流水线并通过 Pinokio 安装。

基于扩散 Transformer 的开源文本生成音乐模型，输入文字描述即可合成音乐片段，适合做 AI 音乐生成的研究与二次开发。

面向交互式超级智能系统的高性能推理服务运行时，支持语音识别、音频与音乐生成等多模态模型，并提供 OpenAI 兼容 API。

本地离线的 AI 音频与音乐工作站，支持语音合成、声音克隆、带歌词歌曲和多轨乐谱生成，无需联网和 API 费用。

用 Hugging Face diffusers 把扩散模型从图像搬到音频，能直接训练和生成音乐片段，省去自己搭扩散流程的麻烦。

汇总音频 AI 领域的论文、开源模型、基准和数据集，覆盖音频大模型、语音识别、TTS、音乐与音频生成，方便按方向查找资料。

本地优先的开源视频编辑器，创作者和 AI 智能体共用同一条真实时间线协作剪辑，支持自动字幕、AI 配音与音乐生成。

一站式 LoRA 与微调工作室，支持 Klein 9B、Qwen Image 2.1、Z-Image Turbo 等图像、视频、音乐模型，可训练、微调、分析、修复并提取 LoRA/LoKR。

把豆包逆向成 OpenAI 兼容接口，免费提供多模态对话、图像/视频/音乐生成和文件托管，方便接入 AI Agent。