DeepBeepMeep 的 WanGP：GPU 可访问的最佳开源视频生成模型，WanGP 支持Wan 2.1/2.2, Qwen Image, Hunyuan Video, LTX Video,Kandinsky 5, Z-Image,TTS ,Flux FlashVSR

现有自回归大规模文本转语音（TTS）模型在语音自然度方面具有优势，但其逐token生成机制难以精确控制合成语音的时长。这在需要严格视音频同步的应用（如视频配音）中成为显著限制。

项目来源：https://github.com/Soul-AILab/SoulX-Podcast SoulX-Podcast 专为播客式多轮、多说话人对话语音生成而设计，同时在常规独白 TTS 任务中也能实现卓越的性能。 为了满足多轮口语对话对自然度的更高要求，SoulX-Podcast 集成了一系列副语言控制，支持普通话和英语，以及多种中国方言，包括四川话、河南话和粤语，从而实现更个性化的播客风格语音生成。