模型找得到，
下载更顺手。

AuK 是一个拥有 15 亿参数的基础模型，用于语音生成与编辑。该模型基于数百万小时的多样化音频数据训练而成，支持零样本和指令式的语音合成、内容与声学编辑、副语言学编辑、语音增强以及声源分离，所有功能均可通过统一的自然语言指令接口实现。 AuK-Flash：用于快速 4 步推理的蒸馏模型 零样本 TTS：根据参考音频的音色朗读目标文本

VibeVoice-ASR-BitNet 是 VibeVoice-ASR 的压缩版本，专为边缘 CPU 的实时语音识别推理优化，无需 GPU。 通过异构量化技术，模型从 4.62 GB 压缩至 1.58 GB，推理速度比 Whisper.cpp 快 1.6–2.3 倍，支持实时语音识别（RTF < 1）。 VAE Tokenizer：从 1.31 GB 压缩至 0.65 GB（I8_S 量化），压缩比 2.0×

Voxtral Mini 4B Realtime 2602 是一款多语言实时语音转录模型，是首批实现与离线系统精度相当的开源解决方案之一。 该模型支持多语言语音转录，包括阿拉伯语、德语、英语、西班牙语、法语、印地语、意大利语、荷兰语、葡萄牙语、中文、日语、韩语和俄语。在基准测试中，Voxtral Mini 4B Realtime 与领先的离线模型相当，相比现有的开源实时解决方案有显著提升。 硬件：单GPU，显存 >= 16GB

Voxtral TTS 是一款前沿的开源文本转语音模型，具备快速、即时可适配的特点，可为语音代理生成逼真的语音。该模型发布 BF16 权重和一组参考语音。 企业级文本转语音，适用于生产级语音代理。支持 9 种主要语言的逼真、表达性语音，具有自然的韵律和情感范围，支持多种方言。支持 20 个预设语音，并可轻松适配新语音。 multilingual support 包括英语、法语、西班牙语、德语、意大利语、葡萄牙语、荷兰语、阿拉伯语和印地语。具备极低延迟，支持快速首音频时间，以及

OmniVoice 由 k2-fsa 发布，仓库任务标记为文本转语音。将文本转换为语音；语言覆盖和参考音色能力需查看作者说明。 来源声明的基础模型：Qwen/Qwen3-0.6B。 本条按微调衍生版独立收录。 基础模型：Qwen/Qwen3-0.6B 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，未核实的数值不作承诺。

audio.cpp-gguf 由 audio-cpp 发布，仓库任务标记为文本转语音。将文本转换为语音；语言覆盖和参考音色能力需查看作者说明。 来源声明的基础模型：ACE-Step/Ace-Step1.5。 本条按量化版独立收录。

Kokoro-82M 由 hexgrad 发布，仓库任务标记为文本转语音。将文本转换为语音；语言覆盖和参考音色能力需查看作者说明。 来源声明的基础模型：yl4579/StyleTTS2-LJSpeech。 本条按微调衍生版独立收录。 基础模型：yl4579/StyleTTS2-LJSpeech 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，未核实的数值不作承诺。