Echogarden

Echogarden是一个易于使用的语音工具集，包含多种语音处理工具。

• 安装、运行和更新都很简便
• 可在Windows（x64）、macOS（x64、ARM64）和Linux（x64、ARM64）上运行
• 使用TypeScript编写，适用于Node.js运行环境
• 无需Python、Docker或其他系统级依赖
• 不依赖关键的平台特定二进制文件。引擎要么通过WebAssembly移植，要么使用ONNX运行时导入，或者用纯JavaScript编写

功能

• 文本转语音使用VITS神经网络架构，以及其他15种离线和在线引擎，包括谷歌、微软、亚马逊、OpenAI和Elevenlabs提供的云服务

• 语音转文本使用OpenAI Whisper，以及其他几种引擎，包括谷歌、微软、亚马逊和OpenAI提供的云服务

• 语音与文本对齐使用动态时间规整（DTW，DTW-RA）的多个变体，支持多次（分层）处理，或通过Whisper识别模型的引导解码。支持100多种语言

• 语音到文本翻译，将Whisper支持的98种语言中的任何语音翻译成英语，并提供近乎词级的翻译文本时间戳

• 语音与翻译文本对齐尝试使用Whisper引擎将一种语言的口语音频与提供的英语翻译文本同步

• 语言检测识别给定音频或文本的语言。为音频提供Whisper或Silero引擎，为文本提供TinyLD或FastText

• 语音活动检测尝试识别音频中语音活跃或非活跃的片段。包括WebRTC VAD、Silero VAD、基于RNNoise的VAD和自定义自适应门限

• 语音去噪减弱口语音频中的背景噪音。包括RNNoise引擎

• 音源分离从任何音乐或背景环境中分离出语音。支持MDX-NET深度学习架构

• 所有识别、合成、对齐和翻译输出的词级时间戳

• 高级字幕生成，考虑句子和短语边界

• 对于VITS和eSpeak-NG合成引擎，包括提高TTS发音准确性的增强功能：添加文本规范化（例如惯用日期和货币发音）、同形异义词消歧（基于规则模型）和用户可自定义的发音词典

• 内部包系统，根据需要自动下载和安装语音、模型和其他资源

安装

确保已安装Node.js v18.16.0或更高版本。

然后：

npm install echogarden -g

其他所需工具：

• ffmpeg：用于编解码转换
• sox：用于命令行界面的音频播放

这两个工具在 Windows 和 Linux 上会作为内部包自动下载。

在 macOS 上，目前只有 ffmpeg 会自动下载。建议通过系统包管理器如 Homebrew (brew install sox) 安装 sox，以确保它在系统路径中可用。

更新到最新版本

npm update echogarden -g

使用工具集

工具可通过命令行界面访问，这使得强大的自定义成为可能，特别适用于长时间运行的批量操作。

更多图形化和交互式工具的开发正在计划中。文本转语音的浏览器扩展目前正在开发中（但尚未发布）。

如果你是开发者，你还可以将该包作为模块导入或通过本地 WebSocket 服务与之交互（目前处于实验阶段）。

文档

• 命令行界面快速指南
• 选项参考
• 支持引擎的完整列表
• Node.js API 参考
• 技术概述和问答
• 如何帮助
• 设置开发环境
• 开发者任务列表
• 发布说明（适用于 1.0.0 及之前的版本）

致谢

本项目整合并基于许多不同个人和公司的努力，同时也贡献了一些原创作品。

由 Rotem Dan (国际音标：/ˈʁɒːtem ˈdän/) 开发。

许可

GNU 通用公共许可证第3版

组件、模型和其他依赖项的许可证详情请参见此页面。