RVC 是一个开源的语音音色转换与实时变声框架：官方推荐至少收集 10 分钟低底噪语音数据用于训练，端到端延迟可以做到 170 毫秒，并配有网页界面与实时变声界面，以 MIT 许可证开源。

Demucs 是一个开源的音源分离模型，能把一首歌里的鼓、贝斯与人声分别拆出来；命令行一行即可运行，也能从 Python 直接调用，代码以 MIT 许可证开源。

UVR 是一个开源的人声分离工具，用先进的音源分离模型把音频拆成人声与伴奏两条音轨；官方安装包已内置界面、Python 与 PyTorch，下载后装上就能用，不需要额外配环境。

WhisperX 把转写串成流水线：先用 faster-whisper 批量转写，再用 wav2vec2 强制对齐拿到词级时间戳，最后由 pyannote 区分说话人。

Buzz 是一个能在个人电脑上离线转写与翻译音频的桌面工具，由 Whisper 驱动；支持转写音视频文件、麦克风实时转写与说话人识别，结果可导出 SRT 与 VTT 字幕。

Whisper 是一个通用语音识别模型，同一个模型就能做多语言转写、翻译与语种判断；提供从 3900 万到 15.5 亿参数的六种尺寸，代码与权重都是 MIT 许可。

IndexTTS 是一个零样本文本转语音系统，一段参考音频就能克隆声音；最新版支持五种语言，还能用情感向量、语速系数与拼音发音控制来调节合成细节，也支持半精度推理与 vLLM 部署。

F5-TTS 是一个用流匹配做语音合成的开源项目，提供 pip 安装、命令行推理与 Gradio 网页界面；代码是 MIT 许可，预训练模型因训练数据限制只能非商用。

CosyVoice 是一个开源的语音合成模型，最新版本 Fun-CosyVoice 3.0 支持零样本跨语言克隆声音，覆盖九种外语与十多种中文方言，以 Apache 2.0 许可证开源。

GPT-SoVITS 是一个开源的语音合成 WebUI：输入 5 秒人声就能零样本合成，1 分钟语音数据即可微调出相似度更高的音色，还支持跨中英日韩粤五种语言推理。

想在本地跑文生视频？CogVideoX 提供 2B 与 5B 多个版本，代码与 2B 模型均为 Apache 2.0 许可，支持 diffusers 与量化推理。

通义万相 Wan2.2 用双专家 MoE 把总参数扩到 27B、每步只激活 14B，5B 的 TI2V 模型以 720P 24fps 输出并能跑在消费级显卡上。

海螺视频主推的 MiniMax H3 能把文本、图像、视频与音频放进同一段上下文，生成带原生立体声的视频，最长 15 秒、2K 分辨率，官方称其 2K 每秒价格不到主流模型的三分之一。

快手自研的文生图大模型可图（Kolors）：代码与权重开源、原生支持中文汉字渲染、可接 ComfyUI 与 Diffusers，图像生成入口现已并入可灵 AI 平台。

FLUX.2 [klein] 把文生图、图像编辑与多参考生成合并进同一份权重，4B 版以 Apache 2.0 开放可商用，约 13GB 显存即可在消费级显卡上跑起来