VibeVoiceFusion
VibeVoiceFusion 是一个Web 应用，用于生成高质量、多说话人的合成语音，具备声音克隆功能。基于微软的 VibeVoice 模型（AR + 扩散架构），本项目提供完整的全栈解决方案，包含直观的用户界面、项目管理和先进的显存优化功能。
痛点：
- 提供无需编程知识的友好界面进行语音生成 本项目增强功能
- 优化显存使用，支持消费级 GPU（8GB+ 显存）本项目增强功能
- 支持双语工作流（英语/中文）本项目增强功能
- 提供 Web 界面和命令行界面以适应不同使用场景 本项目增强功能
- 支持高效的多说话人对话合成，保持不同说话人的独特声音特征
亮点：
- 量化技术：Float8 (FP8 E4M3FN) 支持，显存减少约 50%，质量损失极小，运行时动态扩展bf16 精度，本项目增强功能
- 层卸载：动态 CPU/GPU 内存管理，可在有限显存上运行， 本项目增强功能
- 注意力机制：PyTorch 原生 SDPA，最大化兼容性
- 模型架构：Qwen 主干网络 + VAE 声学分词器 + 语义编码器 + 扩散头
功能特性
完整的 Web 应用
- 说话人/声音管理：
- 上传和管理参考语音样本（WAV、MP3、M4A、FLAC、WebM）
- 音频预览与播放控制
- 声音文件替换，自动缓存清除
- 音频裁剪功能
- 对话编辑器：
- 可视化编辑器，支持拖拽重排对话行
- 文本编辑模式用于批量编辑
- 支持多说话人对话（最多 4+ 个说话人）
- 实时预览和验证
- 生成系统：
- 基于队列的任务管理（防止 GPU 冲突）
- 实时进度监控与动态更新
- 可配置参数（CFG scale、随机种子、模型精度）
- 生成历史记录，支持过滤、排序和分页
- 完成的生成可播放和下载
项目地址：https://github.com/zhao-kun/VibeVoiceFusion
VibeVoiceFusion
VibeVoiceFusion 是一个Web 应用，用于生成高质量、多说话人的合成语音，具备声音克隆功能。基于微软的 VibeVoice 模型（AR + 扩散架构），本项目提供完整的全栈解决方案，包含直观的用户界面、项目管理和先进的显存优化功能。
痛点：
亮点：
功能特性
完整的 Web 应用
项目地址：https://github.com/zhao-kun/VibeVoiceFusion