Auralis

GitHub
619 48 中等 1 次阅读 3天前NOASSERTION音频开发框架
AI 解读 由 AI 自动生成,仅供参考

Auralis 是一款专注于极速生成的开源文本转语音(TTS)引擎,旨在将文字高效转化为自然流畅的语音,并支持声音克隆功能。它主要解决了传统 TTS 工具处理长文本时速度慢、耗时久以及对参考音频质量要求苛刻的痛点。借助智能批处理技术,Auralis 能在普通消费级显卡上运行,甚至能以约 0.02 倍的实时因子,在短短几分钟内完成整本小说的语音合成,同时自动增强低质量录音的清晰度并降低背景噪音。

这款工具非常适合开发者、研究人员以及需要批量制作有声内容的内容创作者使用。它不仅提供了简洁易用的 Python API 和兼容 OpenAI 标准的服务器接口,方便集成到各类应用中,还支持流式输出长文本和多请求并行处理。其独特的技术亮点包括对 XTTSv2 模型的深度优化、自动语言检测、内置音频预处理(如静音修剪、音量标准化),以及允许用户轻松转换并使用自定义微调模型的能力。无论是构建实时语音助手,还是大规模生产有声书,Auralis 都能以极高的效率和优异的音质满足需求。

使用场景

一家小型有声书工作室急需将一本 20 万字的奇幻小说在 48 小时内转化为高质量音频,并需模仿主角的独特声线以保持一致性。

没有 Auralis 时

  • 生成效率极低:传统 TTS 引擎处理整本小说需要数天甚至数周,完全无法应对紧急交付需求。
  • 录音门槛高:用于声音克隆的参考音频若带有背景噪音或设备一般,合成效果会严重失真,必须重新录制干净样本。
  • 硬件资源受限:长文本处理极易占满消费级显卡显存,导致任务频繁崩溃,不得不分批手动切割文本。
  • 并发能力弱:无法同时处理多个章节或不同角色的生成请求,只能串行排队,进一步拉长工期。

使用 Auralis 后

  • 极速批量处理:凭借约 0.02x 的实时因子,Auralis 能在 10 分钟内完成整本书的语音合成,轻松赶上截止期限。
  • 自动音频增强:即使使用普通麦克风录制的参考音,Auralis 也能自动降噪并提升清晰度,完美复刻角色声线。
  • 显存优化稳定:通过智能批处理和并发配置,Auralis 在普通消费者显卡上即可流畅运行,无需担心内存溢出。
  • 并行流式输出:支持多请求并行处理与长文本流式生成,团队可同时推进多个章节制作,大幅缩短整体流程。

Auralis 将原本需要数周的高成本有声书制作流程压缩至分钟级,让小型团队也能以极低成本实现电影级的语音产出。

运行环境要求

操作系统
  • 未说明
GPU

需要 GPU(文中提及可在消费级 GPU 上运行且无内存问题),具体型号、显存大小及 CUDA 版本未说明

内存

未说明(文中提及可配置为小内存占用)

依赖
notes建议使用 Conda 创建虚拟环境。该工具基于 XTTSv2 模型,支持语音克隆和长文本流式处理。可通过 pip 直接安装。支持将自定义的 XTTSv2 检查点转换为 safetensor 格式使用。可配置并发数以控制内存占用。
python3.10
auralis
torch (隐含)
transformers (隐含,基于 XTTSv2)
safetensors (隐含)
Auralis hero image

快速开始

Auralis 🌌 (/auˈralis/)

以超高速将文本转换为自然语音(支持语音克隆)。只需几分钟即可处理整部小说,而无需耗费数小时。

什么是Auralis?🚀

Auralis是一款文本转语音引擎,使语音生成在实际应用中更加可行:

  • 在10分钟内将《哈利·波特》第一本书全文转换为语音(实时因子约为0.02x!
  • 自动提升参考音频质量,即使使用低质量麦克风录制的音频也能进行注册!
  • 可配置为占用较小内存(scheduler_max_concurrency)
  • 同时处理多个请求
  • 支持长文本分段流式传输

快速入门⭐

  1. 创建一个新的Conda环境:

    conda create -n auralis_env python=3.10 -y
    
  2. 激活环境:

    conda activate auralis_env
    
  3. 安装Auralis:

    pip install auralis
    

然后您可以通过 python 来试用:

from auralis import TTS, TTSRequest

# 初始化
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')

# 生成语音
request = TTSRequest(
    text="你好,地球!这里是Auralis在说话。",
    speaker_files=['reference.wav']
)

output = tts.generate_speech(request)
output.save('hello.wav')

或者通过兼容OpenAI协议的服务器使用 cli

auralis.openai --host 127.0.0.1 --port 8000 --model AstraMindAI/xttsv2 --gpt_model AstraMindAI/xtts2-gpt --max_concurrency 8 --vllm_logging_level warn  

您可以访问 这里 查看更详细的说明,或尝试这个 示例

核心功能 🛸

速度与效率

  • 使用智能批处理快速处理长文本
  • 可在消费级GPU上运行,不会出现内存问题
  • 支持多请求并行处理

易于集成

  • 简单的Python API
  • 支持长文本流式传输
  • 内置音频增强功能
  • 自动语言检测

音质

  • 从短样本进行语音克隆
  • 背景降噪
  • 提升语音清晰度
  • 音量归一化

XTTSv2微调模型

您可以将自己的XTTSv2微调模型直接使用,只需将其从标准的Coqui检查点格式转换为我们的Safetensors格式。请使用 此脚本

python checkpoint_converter.py path/to/checkpoint.pth --output_dir path/to/output

它会生成两个文件夹,一个包含核心XTTSv2检查点,另一个包含GPT2组件。然后您可以创建一个TTS实例:

tts = TTS().from_pretrained("som/core-xttsv2_model", gpt_model='some/xttsv2-gpt_model')

示例与用法🚀

基础示例⭐

简单文本生成
from auralis import TTS, TTSRequest

# 初始化
tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
# 基本生成
request = TTSRequest(
    text="你好,地球!这里是Auralis在说话。",
    speaker_files=["speaker.wav"]
)
output = tts.generate_speech(request)
output.save("hello.wav")
使用TTSRequest🎤
# 基本请求
request = TTSRequest(
    text="Hello world!",
    speaker_files=["speaker.wav"]
)

# 增强音频处理
request = TTSRequest(
    text="纯净的音质",
    speaker_files=["speaker.wav"],
    audio_config=AudioPreprocessingConfig(
        normalize=True,
        trim_silence=True,
        enhance_speech=True,
        enhance_amount=1.5
    )
)

# 语言特定请求
request = TTSRequest(
    text="Bonjour le monde!",
    speaker_files=["speaker.wav"],
    language="fr"
)

# 流式传输配置
request = TTSRequest(
    text="非常长的文本...",
    speaker_files=["speaker.wav"],
    stream=True,
)

# 生成参数
request = TTSRequest(
    text="创意变体",
    speaker_files=["speaker.wav"],
    temperature=0.8,
    top_p=0.9,
    top_k=50
)
使用TTSOutput🎧
# 加载音频文件
output = TTSOutput.from_file("input.wav")

# 格式转换
output.bit_depth = 32
output.channel = 2
tensor_audio = output.to_tensor()
audio_bytes = output.to_bytes()

# 音频处理
resampled = output.resample(target_sr=44100)
faster = output.change_speed(1.5)
num_samples、sample_rate、duration = output.get_info()

# 组合多个输出
combined = TTSOutput.combine_outputs([output1、output2、output3])

# 播放和保存
output.play()  # 播放音频
output.preview()  # 智能播放(Jupyter/系统)
output.save("processed.wav", sample_rate=44100)

同步高级示例🌟

批量文本处理
# 处理多段相同声音的文本
texts = ["第一段。"、"第二段。"、"第三段。"]
requests = [
    TTSRequest(
        text=text,
        speaker_files=["speaker.wav"]
    ) for text in texts
]

# 顺序处理并显示进度
outputs = []
for i、req in enumerate(requests、1):
    print(f"正在处理第{i}篇/{len(requests)}")
    outputs.append(tts.generate_speech(req))

# 组合所有输出
combined = TTSOutput.combine_outputs(outputs)
combined.save("combined_output.wav")
处理书籍章节
def process_book(chapter_file: str、speaker_file: str):
    # 读取章节
    with open(chapter_file、'r') as f:
        chapter = f.read()
    
    # 您可以传入整本书,Auralis会自动分段处理
    
    request = TTSRequest(
            text=chapter,
            speaker_files=[speaker_file],
            audio_config=AudioPreprocessingConfig(
                enhance_speech=True,
                normalize=True
            )
        )
        
    output = tts.generate_speech(request)
    
    output.play()
    output.save("chapter_output.wav")

异步示例 🛸

基本异步生成
import asyncio
from auralis import TTS, TTSRequest

async def generate_speech():
    tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
    
    request = TTSRequest(
        text="Async generation example",
        speaker_files=["speaker.wav"]
    )
    
    output = await tts.generate_speech_async(request)
    output.save("async_output.wav")

asyncio.run(generate_speech())
并行处理
async def generate_parallel():
    tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
    
    # 创建多个请求
    requests = [
        TTSRequest(
            text=f"This is voice {i}",
            speaker_files=[f"speaker_{i}.wav"]
        ) for i in range(3)
    ]
    
    # 并行处理
    coroutines = [tts.generate_speech_async(req) for req in requests]
    outputs = await asyncio.gather(*coroutines, return_exceptions=True)
    
    # 处理结果
    valid_outputs = [
        out for out in outputs 
        if not isinstance(out, Exception)
    ]
    
    combined = TTSOutput.combine_outputs(valid_outputs)
    combined.save("parallel_output.wav")

asyncio.run(generate_parallel())
多请求异步流式传输
async def stream_multiple_texts():
    tts = TTS().from_pretrained("AstraMindAI/xttsv2", gpt_model='AstraMindAI/xtts2-gpt')
    
    # 准备流式请求
    texts = [
        "First long text...",
        "Second long text...",
        "Third long text..."
    ]
    
    requests = [
        TTSRequest(
            text=text,
            speaker_files=["speaker.wav"],
            stream=True,
        ) for text in texts
    ]
    
    # 并行处理流
    coroutines = [tts.generate_speech_async(req) for req in requests]
    streams = await asyncio.gather(*coroutines)
    
    # 收集输出
    output_container = {i: [] for i in range(len(requests))}
    
    async def process_stream(idx, stream):
        async for chunk in stream:
            output_container[idx].append(chunk)
            print(f"Processed chunk for text {idx+1}")
            
    # 处理所有流
    await asyncio.gather(
        *(process_stream(i, stream) 
          for i, stream in enumerate(streams))
    )
    
    # 保存结果
    for idx, chunks in output_container.items():
        TTSOutput.combine_outputs(chunks).save(
            f"text_{idx}_output.wav"
        )

asyncio.run(stream_multiple_texts())

核心类 🌟

TTSRequest - 统一的请求容器,带音频增强功能 🎤
@dataclass
class TTSRequest:
    """TTS 推理请求数据的容器"""
    # 请求元数据
    text: Union[AsyncGenerator[str, None], str, List[str]]

    speaker_files: Union[List[str], bytes]  # 发声人音频文件路径

    enhance_speech: bool = True
    audio_config: AudioPreprocessingConfig = field(default_factory=AudioPreprocessingConfig)
    language: SupportedLanguages = "auto"
    request_id: str = field(default_factory=lambda: uuid.uuid4().hex)
    load_sample_rate: int = 22050
    sound_norm_refs: bool = False

    # 声音调节参数
    max_ref_length: int = 60
    gpt_cond_len: int = 30
    gpt_cond_chunk_len: int = 4

    # 生成参数
    stream: bool = False
    temperature: float = 0.75
    top_p: float = 0.85
    top_k: int = 50
    repetition_penalty: float = 5.0
    length_penalty: float = 1.0
    do_sample: bool = True

示例

# 基本用法
request = TTSRequest(
    text="Hello world!",
    speaker_files=["reference.wav"]
)

# 自定义音频增强
request = TTSRequest(
    text="Hello world!",
    speaker_files=["reference.wav"],
    audio_config=AudioPreprocessingConfig(
        normalize=True,
        trim_silence=True,
        enhance_speech=True,
        enhance_amount=1.5
    )
)

# 流式传输长文本
request = TTSRequest(
    text="Very long text...",
    speaker_files=["reference.wav"],
    stream=True,
)

特性

  • 自动语言检测
  • 音频预处理与增强
  • 灵活的输入处理(字符串、列表、生成器)
  • 可配置的生成参数
  • 缓存以提高处理效率
TTSOutput - 统一的音频处理输出容器 🎧
@dataclass
class TTSOutput:
    array: np.ndarray
    sample_rate: int

方法

格式转换

output.to_tensor()      # → torch.Tensor
output.to_bytes()       # → bytes (wav/raw)
output.from_tensor()    # → TTSOutput
output.from_file()      # → TTSOutput

音频处理

output.combine_outputs()  # 合并多个输出
output.resample()        # 更改采样率
output.get_info()        # 获取音频属性
output.change_speed()    # 修改播放速度

文件与播放

output.save()           # 保存到文件
output.play()          # 播放音频
output.display()       # 在 Jupyter 中显示
output.preview()       # 智能播放

示例

# 加载和处理
output = TTSOutput.from_file("input.wav")
output = output.resample(target_sr=44100)
output.save("output.wav")

# 合并多个输出
combined = TTSOutput.combine_outputs([output1, output2, output3])

# 改变播放速度
faster = output.change_speed(1.5)

语言 🌍

XTTSv2 支持:英语、西班牙语、法语、德语、意大利语、葡萄牙语、波兰语、土耳其语、俄语、荷兰语、捷克语、阿拉伯语、简体中文、匈牙利语、韩语、日语、印地语

性能详情 📊

在 NVIDIA 3090 上的处理速度:

  • 短句(< 100 字):~1 秒
  • 中等文本(< 1000 字):~5-10 秒
  • 完整书籍(~50 万字 @ 并发 36):~10 分钟

内存使用情况:

  • 基础:~2.5GB VRAM,并发 = 1
  • ~5.3GB VRAM,并发 = 20

Gradio

Gradio 代码

Auralis

贡献

加入我们的社区!

我们欢迎并感谢对本项目的所有贡献!为确保流程顺畅高效,请花点时间阅读我们的贡献指南。遵循这些指南将有助于我们快速审核并接受您的贡献。感谢您的支持!

了解更多 🔭

许可证

代码库采用 Apache 2.0 许可证发布,您可以自由地在自己的项目中使用。

XTTSv2 模型(以及 auralis/models/xttsv2/components/tts 目录下的文件)采用 Coqui AI 许可证 许可。

版本历史

v0.2.8.post22024/12/16
0.2.8.post12024/12/15
0.2.82024/12/14
0.2.7.post12024/12/09

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|5天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|5天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

150k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

108.3k|★★☆☆☆|今天
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。

100.8k|★★☆☆☆|昨天
插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|4天前
插件开发框架