ASR+TTS - 实践

概述

关于ASR和TTS模型，之前汇总过：

• 语音转文本ASR工具合集
• 文本转语音TTS工具合集（上）
• 文本转语音TTS工具合集（下）

Chatterbox

Resemble AI推出的开源（GitHub，14K Star，1.8K Fork）项目Chatterbox，摘下首个支持情感夸张控制的开源TTS桂冠，更在盲测中击败ElevenLabs等商业系统，重新定义开源语音合成的技术天花板。HF Demo，Demo。

从阿拉伯语的喉音到斯瓦希里语的节奏，从韩语的语调起伏到中文的四声变化，基于0.5B Llama架构的模型展现出惊人的跨语言能力。不同于传统多语言模型需要为每种语言单独微调，采用一次训练全语言覆盖策略，通过对齐训练技术让不同语言共享底层语音特征。实测显示，在无参考音频时，模型生成的日语发音自然度达到母语者可接受水平；切换至阿拉伯语时，能自动适配从右至左的语言特性带来的韵律变化。这种能力源自其独特的"对齐感知推理"机制，可动态调整音素时长与语调曲线。

零样本语音克隆：只需3-5秒的参考音频，就能捕捉说话人的声纹特征、语速习惯甚至微表情带来的语调变化。在对比测试中，78%的听众无法区分克隆语音与真人原声。技术实现上，模型通过Perceiver模块提取参考音频的深层特征，结合S3 Tokenizer的音素解析，在保持内容清晰度的同时，完美复刻说话人的个性特质。这种克隆能力可无缝迁移到23种语言，既能保持原语言的声线，又符合新语言的发音规则。

引入情感夸张控制为语音合成带来新维度，通过简单调整参数：

• 将exaggeration调至0.7，可生成戏剧化的播报语气
• 降低cfg_weight至0.3，配合0.5的exaggeration，能模拟娓娓道来的讲述风格
• 极端值组合（exaggeration=2.0+cfg_weight=0.1）甚至可生成动画角色般的夸张语音

这种可控性源自模型独特的双路径架构：文本编码器负责语义准确性，语音风格编码器则处理情感表达，两者通过交叉注意力机制动态融合。

作为生产级开源项目，内置多项企业级特性：

• PerTh水印技术：所有生成音频含不可察觉水印，支持MP3压缩和剪辑后仍可检测
• 超低延迟：优化后的推理管线可实现200ms以内响应，满足实时交互需求
• 稳定性保障：通过50万小时清洗数据训练，极端文本输入也能避免崩音

安装：pip install chatterbox-tts

VibeVoice

技术报告，微软开源，9.8K Star，1.2K Fork，专注于生成长时、多说话人、高表现力的对话式音频，支持长达90分钟、包含4名说话人的复杂对话场景。VibeVoice-1.5B TTS。

特性：

• 超低帧率连续语音Tokenize，​双Tokenizer架构​：
  • 声学Tokenizer​：保留音色、韵律等声学特征；
  • ​语义Tokenizer​：捕捉对话上下文语义
• 混合生成框架
  • LLM理解上下文​：大型语言模型解析文本语义与对话结构，确保逻辑连贯性
  • 扩散模型生成细节​：基于扩散模型的解码器合成高保真声学细节，实现接近人声的自然度
• 多说话人控制：通过说话人嵌入向量（Speaker Embedding）区分角色，在长对话中维持不同说话人的音色稳定性，突破传统TTS的1-2人限制。

TEN

官网，开源（GitHub，8.4K Star，972 Fork）、支持实时对话、多模态输入与输出、ASR+TTS、多模型支持（远端+本地）、Dify+Coze+OceanBase PowerRAG集成、MCP集成、多平台、多语言SDK。体验。

体验

模型切换

可和第三方平台集成：

体验下来的几个问题：

• 需提前设置好待识别语音
• ASR识别不太准确
• 未提供submit提交按钮，导致一句话没说完自动发起Query
• TTS表现不太行，如断句，中英文混杂发音

如下图，系统默认语言为英文，中文语言强制识别为英文，错误百出：

支持本地部署：

docker
# 源码
git clone
cd TEN-framework
cp .env.example .env
vim .env
# 构建
task use
# 启动
task run

WhisperLiveKit

基于OpenAI Whisper的开源（GitHub，8K Star，730 Fork）实时语音转录框架，WhisperLiveKit完美诠释现代语音处理系统的三大核心要素：

1. 算法先进性
   • 集成2025年最新SOTA算法SimulStreaming
   • 支持WhisperStreaming (2023 SOTA)实时处理
   • 融合Streaming Sortformer说话人识别技术
2. 工程实用性
   • 支持多种Whisper后端：原版、faster-whisper、MLX-whisper
   • WebSocket实时通信架构
   • 企业级并发处理能力
3. 商业应用价值
   • 会议转录、客服系统、教育平台
   • 多语言支持，全球化部署就绪
   • 开源免费，降低企业成本

架构

实战

实时流式处理架构

from whisperlivekit import TranscriptionEngine, AudioProcessor
import asyncio
class RealTimeTranscriber:
def __init__(self):
self.engine = TranscriptionEngine(
model="medium",
diarization=True, # 说话人识别
language="auto" # 自动语言检测
)
async def process_stream(self, audio_stream):
"""实时处理音频流的核心逻辑"""
processor = AudioProcessor(transcription_engine=self.engine)
async for result in processor.stream_transcribe(audio_stream):
yield {
"text": result.text,
"confidence": result.confidence,
"speaker": result.speaker_id,
"timestamp": result.timestamp
}

WebSocket全双工通信实现

from fastapi import FastAPI, WebSocket
from contextlib import asynccontextmanager
@asynccontextmanager
async def lifespan(app: FastAPI):
# 应用启动时初始化AI引擎
global transcription_engine
transcription_engine = TranscriptionEngine(model="large-v3")
yield
# 应用关闭时清理资源
app = FastAPI(lifespan=lifespan)
@app.websocket("/realtime-asr")
async def websocket_endpoint(websocket: WebSocket):
await websocket.accept()
audio_processor = AudioProcessor(transcription_engine)
try:
while True:
# 接收音频数据
audio_data = await websocket.receive_bytes()
# 实时转录
result = await audio_processor.transcribe_chunk(audio_data)
# 立即返回结果
await websocket.send_json({
"type": "transcription",
"data": result
})
except WebSocketDisconnect:
print("客户端断开连接")

多模型性能优化策略

# 1. 开发测试环境 - 追求速度
whisperlivekit-server --model tiny --language en
# 2. 生产环境 - 平衡性能
whisperlivekit-server --model medium --diarization --warmup-file warmup.wav
# 3. 高精度场景 - 追求准确度
whisperlivekit-server --model large-v3 --language auto --ssl-certfile cert.pem

前端集成

// 现代化的前端实现
class MeetingAssistant {
constructor() {
this.websocket = new WebSocket('ws://localhost:8000/asr');
this.mediaRecorder = null;
this.transcripts = [];
}
async startRecording() {
const stream = await navigator.mediaDevices.getUserMedia({audio: true});
this.mediaRecorder = new MediaRecorder(stream);
this.mediaRecorder.ondataavailable = (event) => {
if (event.data.size > 0) {
this.websocket.send(event.data);
}
};
this.websocket.onmessage = (event) => {
const result = JSON.parse(event.data);
this.displayTranscript(result);
};
this.mediaRecorder.start(1000); // 每秒发送一次数据
}
displayTranscript(result) {
const transcriptDiv = document.getElementById('transcripts');
transcriptDiv.innerHTML += `
<div class="transcript-item">
<span class="speaker">${result.speaker_id || '未知说话人'}</span>
<span class="text">${result.text}</span>
<span class="time">${new Date(result.timestamp).toLocaleTimeString()}</span>
</div>`;
}
}
// 使用
const assistant = new MeetingAssistant();
document.getElementById('start-btn').onclick = () => assistant.startRecording();

会议纪要生成

# 添加会议纪要生成功能
import openai
from datetime import datetime
class MeetingSummarizer:
def __init__(self):
self.transcripts = []
self.client = openai.OpenAI()
def add_transcript(self, text, speaker, timestamp):
self.transcripts.append({
'speaker': speaker,
'text': text,
'timestamp': timestamp
})
def generate_summary(self):
meeting_text = "\n".join([f"{t['speaker']}: {t['text']}" for t in self.transcripts
])
response = self.client.chat.completions.create(
model="gpt-3.5-turbo",
messages=[{
"role": "user",
"content": f"请为以下会议内容生成结构化纪要：\n{meeting_text}"
}]
)
return response.choices[0].message.content

NeuTTS Air

HF，开源（GitHub，3.7K Star，352 Fork），Neuphonic发布的NeuTTS Air，基于Qwen 0.5B构建，CPU可运行、具备即时语音克隆能力，只支持英文？

特性：

• 超真实语音：尽管体积不大，输出的语音在自然度与人声接近程度上表现优异；
• 本地运行：提供GGUF/GGML格式模型，可在CPU上推理，适合手机、笔记本、树莓派等设备；
• 即时语音克隆：仅需约3秒钟参考音频，就能生成该说话人的音色与语调；
• 轻量且高效架构：采用语言模型+编解码器的组合设计，成为在速度、质量和资源占用之间的折中方案；
• 水印机制：所有生成音频都带有Perth（水印机制），用于责任追踪与版权保护；
• 优化功耗与延迟：针对移动与嵌入式设备做功耗优化与实时推理优化。

用户只需要提供两类输入：一段参考语音（即样本音频）与目标文本。模型从参考语音中提取音色、语调特征，再将输入文本合成出与之匹配的语音。

技术：

• 音频编解码器：NeuCodec，专有神经音频编解码器，使用单个码本在低比特率下实现卓越的音频质量；

实战

安装：

git clone https://github.com/neuphonic/neutts-air.git
cd neuttsair
pip install -r requirements.txt
# 安装espeak
https://github.com/espeak-ng/espeak-ng/blob/master/docs/guide.md

命令行示例：

python -m examples.basic_example --input_text "..." --ref_audio samples/dave.wav --ref_text samples/dave.txt

SDK

from neuttsair.neutts import NeuTTSAir
import soundfile as sf
tts = NeuTTSAir( backbone_repo="neuphonic/neutts-air-q4-gguf", backbone_device="cpu", codec_repo="neuphonic/neucodec", codec_device="cpu")
input_text = "..."
ref_text = "samples/dave.txt"
ref_audio_path = "samples/dave.wav"
ref_text = open(ref_text, "r").read().strip()
ref_codes = tts.encode_reference(ref_audio_path)
wav = tts.infer(input_text, ref_codes, ref_text)
sf.write("test.wav", wav, 24000)

最佳实践：

• 参考音频样本：单声道，16-44 kHz采样率，时长3至15秒，.wav格式，干净（无背景噪音极小甚至没有），自然连续的语音——就像独白或对话一样，几乎没有停顿，因此模型可有效地捕捉语调。

Step-Audio-2

阶跃星辰开源（GitHub，1.2K Star，83 Fork），论文。

系列包括两款模型

• Mini
• Mini-Base

可处理从语音输入到语音输出的完整交互链，包括语义理解、副语言信息捕捉、工具调用等。能力包括：语音识别、语音翻译（文本输出和语音输出）、语音理解、多轮语音问答（文本输出和语音输出）等。

Paralinguistic information understanding，副语言信息理解，包括：Gender、Age、Timbre、Scenario、Event、Emotion、Pitch、Rhythm、Speed、Style、Vocal。

URO-Bench，understanding, reasoning, and oral conversation。

Sayathing

KanthorLabs开源（GitHub，68 Star）的TTS平台，使用先进的AI模型，结合Kokoro TTS引擎。

核心模块：

• HTTP服务：基于FastAPI构建的REST API
• 任务队列：使用SQLite实现的后台任务处理系统
• TTS引擎：集成强大Kokoro TTS语音合成引擎
• 数据库：采用SQLAlchemy ORM和异步SQLite
• 依赖注入：通过容器管理服务，模块之间解耦清晰

功能	说明
RESTful API	提供清晰的API接口，方便调用
异步处理	支持后台任务队列，高效处理多个请求
多种音色	提供多种语音风格和语言选择
Web控制台	可视化监控任务状态和系统运行情况
Docker支持	支持容器化部署，易于上线
依赖注入	架构清晰，模块化设计
高并发支持	多worker架构，轻松应对高并发
稳定性强	内置重试机制和错误处理

实战

支持多种安装方式：

git clone https://github.com/kanthorlabs/sayathing.git
cd sayathing
# 基于uv
uv sync
uv run python main.py
# 基于pip
python -m venv venv
source venv/bin/activate
pip install -e .
python main.py
# 基于Docker
docker build -t sayathing .
docker run -p 8000:8000 sayathing

浏览器打开http://localhost:8000/ui/dashboard查看Web UI，打开http://localhost:8000/docs查看REST API文档。

curl命令：

# 获取支持的语音列表
curl "http://localhost:8000/api/voices"
# tts
curl -X POST "http://localhost:8000/api/tts" \
-H "Content-Type: application/json" \
-d '{
"text": "Hello, world! This is SayAThing speaking.",
"voice_id": "kokoro.af_heart"
}'

其他命令

# 测试
make test              # 运行所有测试
make test-coverage     # 带覆盖率的测试
make test-integration  # 集成测试
make check             # 代码检查 + 测试
# 开发
uv run python main-dev.py  # 自动重载的开发服务器
# 参数
uv run python main.py --primary-workers 2 --retry-workers 1  # 指定 worker 数量
uv run python main.py --no-http  # 只运行后台任务
uv run python main.py --help   # 查看帮助信息

LFM2-Audio

Liquid AI推出LFM2-Audio-1.5B，一款紧凑的音频-语言基础模型，能够通过单一的端到端架构理解和生成语音与文本。旨在为资源受限的设备提供低延迟、实时助手功能，同时将LFM2家族扩展到音频领域，保持小巧的体积。

将1.2B参数的LFM2语言骨干网络扩展到音频和文本，将它们视为一级序列标记。该模型分离音频表示：输入是直接从原始波形块（约80毫秒）投影的连续嵌入，而输出是离散的音频代码。避免输入路径上的离散化伪影，同时保持输出路径上两种模态的自回归训练和生成。

大多数全能堆栈将ASR→LLM→TTS耦合在一起，会增加延迟，导致接口脆弱。LFM2-Audio的单一骨干设计，具有连续的输入嵌入和离散的输出代码，减少粘合逻辑，并允许交错解码以提前发出音频。对于开发者来说，更简单的管道和更快的感知响应时间，同时仍然支持ASR、TTS、分类和对话代理，所有这些功能都来自一个模型。

组件和特性：

• 骨干网络：LFM2（混合卷积+注意力），1.2B参数（仅语言模型）
• 音频编码器：FastConformer（约1.15亿参数，canary-180m-flash）
• 音频解码器：RQ-Transformer，预测离散的Mimi编码器标记（8个码本）
• 上下文：32768个标记；
• 词汇表：65536（文本）/2049×8（音频）
• 精度：bfloat16；

两种生成模式用于实时代理

• 交错生成：用于实时语音到语音聊天，模型交替使用文本和音频标记，以最小化感知延迟。
• 顺序生成：用于ASR/TTS（按轮次切换模态）。

VoiceBench：九项音频助手评估，包括AlpacaEval、CommonEval、WildVoice、AMI、LibriSpeech-clean、ASR WER、

安装：pip install liquid-audio