本頁面由英文機器翻譯而成。閱讀英文原文。
An example game engine package: detects toy-engine.json projects, creates them, runs a tiny local game server shown in the game panel, and gives the agent two live tools.
gamedev pkg add samples.toy-engine
直接在對話中於真正的 Blender 建立與編輯 3D 模型:尋找或安裝 Blender、安裝 MCP for Blender 外掛,並依專案將其連線到代理。製作道具、區塊草模與低多邊形素材,匯出到你的 Unity、Godot 或 Unreal 專案並預覽。
gamedev pkg add aigd.blender
雲端執行的 Google Veo 3.1 影片:Lite 用來打草稿,Fast 與 Standard 製作最高 4k 的最終鏡頭,全都帶音效並支援起始與結束影格;Standard 還可接受最多 3 張參考圖片。可產出 4 至 8 秒的遊戲預告片與過場動畫片段。會消耗你的額度。
gamedev pkg add aigd.cloud-veo
專案的 Knowledge Base:放在 .ai-game-dev/knowledge/ 的 Markdown 筆記,隨專案一起提交,會建立成圖形索引並供 agent 搜尋。Agent 會記錄設計決策與慣例、把筆記整理成空間、在搬移時修正連結並找出失效連結;桌面應用程式則以 3D 圖形呈現這些筆記。
gamedev pkg add aigd.knowledge
雲端版 ACE-Step 1.5:依風格提示詞生成開放音樂,長度 10 秒到 4 分鐘,是你額度中最輕量的雲端音樂模型,適合草擬遊戲配樂。會使用你的額度;同一個模型也能在本機執行。
ACE-Step 1.5 Turbo 音樂模型:依據風格提示(曲風、情緒、樂器、速度)與可選的 50 種語言歌詞,生成含人聲或純樂器的歌曲,長度 10 秒到 10 分鐘,48 kHz 立體聲,適合遊戲主題曲與原聲帶。透過 audio.cpp 在你的 GPU 上本機執行。MIT 授權,允許商業使用。
Resemble AI 推出的 20 種語言本機文字轉語音:可從 3–60 秒片段克隆聲音,無需逐字稿,或以內建聲音朗讀,並有 Exaggeration 控制情緒。適合在地化遊戲對白與配音。在應用程式的 ONNX runtime 中以 CPU 執行,速度比即時慢。MIT。Resemble AI 已不再維護。
Resemble AI 推出的快速本機英文文字轉語音模型(350M):可用模型內建聲音,或使用複製自 5-30 秒音檔的聲音,並可在文字中加入 [laugh]、[chuckle]、[cough] 等聲音標籤。適合角色對白與旁白配音。透過 llama.cpp 在 GPU 或 CPU 上執行。MIT 授權,允許商業使用。
雲端 ElevenLabs 遊戲音訊:以 21 種聲音(v4 Turbo 與 Eleven v4)製作對白與旁白的語音,並可依描述生成 1 至 30 秒的音效;音樂即將推出。會使用你的額度。
Fish Audio 的 4B 文字轉語音模型,在本機執行:支援 80 種以上語言、可用一段錄音及其轉錄文字複製聲音,並能在文字中直接加入 [laughing]、[whisper] 或 [pause] 等語氣標記。搭配 audio.cpp 可在 8 GB 以上的 GPU 上執行。非商業授權:商業用途需另向 Fish Audio 取得授權。
來自阿里巴巴通義實驗室的本地語音克隆文字轉語音模型:Fun-CosyVoice3 0.5B 能用 3–30 秒片段中的聲音,說出中文、英文、日文、韓文、德文、西班牙文、法文、義大利文、俄文和粵語,並遵循風格指示(情緒、語速、方言)。透過 audio.cpp 在你的 GPU 上執行。Apache-2.0。
bilibili 的 IndexTTS 2.5,在本機執行:只要一段 3-30 s 的片段就能零樣本複製音色,情緒則用指令描述,支援中文、英文、日文、西班牙文與阿拉伯文。適合製作富有表現力的遊戲對白。搭配 audio.cpp 可在約 6 GB 的 GPU 上執行。在授權的規模上限內可商業使用。
雲端版 Kokoro:一款開放的美式英語語音模型,提供 20 種音色,額度消耗低,適合暫代與草稿性質的遊戲對白。會使用你的額度;同一個模型也能在本機執行。
hexgrad 的 Kokoro 82M,一款小巧、評價極高的英文文字轉語音模型,在本機執行:28 個美式與英式預設語音,可用於 NPC 對話、旁白與 UI 語句。即使在 CPU 上也很快(llama.cpp);不支援聲音複製。Apache-2.0,允許商業使用。
在 AI Game Dev 中以 sa3.cpp 執行本機音效與音樂的執行環境;sa3.cpp 是 Stable Audio 3 的 C++/ggml 移植版,支援 CUDA、Vulkan、Metal 或 CPU,不需 Python。可執行 Stable Audio 3 Small SFX、Small Music 與 Medium 模型,這些模型是各自獨立的套件。
用 llama.cpp 的語音工具在這台電腦上朗讀文字,離線執行且不佔用你的額度:在 NVIDIA、AMD、Intel 或 Apple GPU 或 CPU 上產生語音台詞、旁白與暫代對白。Kokoro、Chatterbox Turbo 等模型是另外的套件。
Google Lyria 3 雲端音樂:依文字描述製作 30 秒片段,可為純樂器或含人聲,適合遊戲選單主題曲、關卡音樂草稿與預告片配樂。會使用你的額度。
Google Magenta RealTime 2 器樂音樂模型系列:依風格提示詞生成背景音樂,長度 1 秒至 3 分鐘,48 kHz 立體聲,不含人聲。Small(230M)可在任何 GPU 上執行,甚至能在 CPU 上執行;Base(2.4B)需要 GPU。透過 audio.cpp 在本機執行。CC BY 4.0,允許商業使用。
NVIDIA 的 Magpie TTS Multilingual 357M,在本機執行:以五種預設語音提供 13 種語言與方言(包含印地語、越南語、巴西葡萄牙語與三種阿拉伯文變體)的語音,適合在地化對白與播報。不支援聲音複製。在 GPU 上搭配 audio.cpp 效果最佳。NVIDIA Open Model License。
inclusionAI 的 Ming-3.0 TTS 0.5B,於本機執行:可說中文、英文、日文、韓文、德文、法文與西班牙文,並能從片段複製聲音、依文字描述設計聲音,做出截然不同的遊戲角色嗓音。搭配 audio.cpp 在 GPU 上效果最佳。MIT,允許商業使用。
MiniMax-Music3:根據風格提示與帶有 [verse]/[chorus] 標籤的歌詞,生成含人聲演唱的完整歌曲,最長 5 分鐘、44.1 kHz 立體聲,適合主題曲與原聲帶單曲。透過 audio.cpp 在你的 GPU 上本機執行。社群授權:需標示「MiniMax-Music3」、註明輸出為機器生成、有營收上限。
OpenMOSS 的 MOSS-SoundEffect v2:依英文或中文描述生成音效與環境氛圍(自然、城市、生物、人類動作),1 至 30 秒,48 kHz 單聲道,適合遊戲關卡與場景。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0(依模型卡標示),允許商業使用。
k2-fsa 的 OmniVoice,在本機執行:支援 600 種以上語言的文字轉語音,可使用它自己的預設語音,或從一段片段及其轉錄文字複製聲音。適合非商業專案中的冷門語言。搭配 audio.cpp 在 GPU 上效果最好。非商業授權(CC-BY-NC)。
Gradium 的 Phonon 31M 是輕巧的本地英文文字轉語音模型,只有一種聲音:在筆記型電腦 CPU 上比即時更快,適合快速旁白、UI 與暫代台詞。下載大小 85.5 MB,以 audio.cpp 執行。Apache-2.0,允許商業使用。
Kyutai 的 Pocket TTS 100M,在本機執行:英文、法文、德文、西班牙文、義大利文與葡萄牙文各一個檢查點,每種語言 15 個預設語音,或從短片段複製語音且不需逐字稿。搭配 audio.cpp,在 CPU 上比即時更快。CC-BY-4.0:標示姓名後可商業使用,須遵守 Kyutai 的使用條款。
Qwen3-TTS 0.6B Base:文字轉語音,能複製短參考音檔(3 秒以上)的嗓音,支援 10 種語言、24 kHz,適合角色對白與旁白。較小型的聲音複製模型,適用於約 4 GB 的 GPU(估算)。透過 audio.cpp 在本機執行。Apache-2.0,允許商業使用。
Qwen3-TTS 1.7B Base:文字轉語音,可用 3 秒以上的簡短參考音檔複製音色,支援 10 種語言、24 kHz,適合角色對白與旁白。這是較大的音色複製模型,適合約 6 GB 的 GPU(估計值)。透過 audio.cpp 在本機執行。Apache-2.0,允許商業使用。
Qwen3-TTS 1.7B CustomVoice:文字轉語音,內建九種聲音,並支援情緒與語氣指示(「興奮、語速快」、「耳語、悲傷」),涵蓋 10 種語言,24 kHz,適合 NPC 對白與旁白。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0,允許商業使用。
Qwen3-TTS 1.7B VoiceDesign:以文字描述設計全新聲音的文字轉語音模型(「一位粗啞的老水手,低沉而緩慢」),同一段描述也會決定情緒與語氣,支援 10 種語言、24 kHz,適合角色配音。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0,允許商業使用。
Stable Audio 3 Medium:依文字提示詞生成器樂,每段最長 6 分 20 秒,44.1 kHz 立體聲,不含人聲;這是較大型的 Stable Audio 3 音樂模型,適合完整長度的配樂作品。透過 sa3.cpp 在 GPU 上本機執行(CUDA 需 12 GB,Vulkan 在製作最長片段時需 13 GB)。Stability AI Community License:年營收未滿 100 萬美元且完成註冊後,方可商業使用。
Stable Audio 3 Small Music:依文字提示生成器樂與循環,最長 2 分鐘,44.1 kHz 立體聲,不含人聲,適合遊戲背景音樂、提示音與短曲。透過 sa3.cpp 在 4 GB 顯示卡上本機執行,或在 CPU 上緩慢執行。Stability AI Community License:年營收低於 100 萬美元才能商業使用,且需先完成註冊。
Stable Audio 3 Small SFX:用文字提示詞生成遊戲音效與擬音(撞擊、腳步、UI 音效、環境音),長度 1 至 60 秒,44.1 kHz 立體聲。透過 sa3.cpp 在 4 GB 的 GPU 上本機執行,沒有 GPU 也能執行但速度較慢。Stability AI Community License:僅在完成註冊且年營收低於 100 萬美元時可商業使用。
在電腦上用 SuperCollider 3.14.1 創作、渲染、分析並匯出可攜式遊戲音樂:專案裡的樂譜即程式碼、離線 WAV 渲染、同步分軌與循環樂段、取樣匯入、預覽,以及匯出到 Unity、Godot 或 Unreal。
Supertone 的 Supertonic 3,支援 31 種語言的高速本機文字轉語音,內建十種預設語音,並可在文字中加入 <laugh>、<breath> 與 <sigh> 標籤,適合用於在地化對白與旁白。在應用程式內建的 ONNX 執行環境中以 CPU 執行。不支援語音複製。Open RAIL-M:可於其使用限制範圍內商業使用。
OpenBMB 的 VoxCPM2:以 48 kHz 提供 30 種語言與 9 種中文方言的文字轉語音,可從簡短片段複製音色、依描述設計音色,並用情緒與語速指令控制,適合角色對白與旁白。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0,允許商業使用。
Zyphra 的 ZONOS3-Mini,是一款表情豐富的本機文字轉語音模型:支援英文、法文、德文、西班牙文、義大利文、葡萄牙文、中文與韓文,內建 13 種預設語音,也可從一段音檔複製聲音。透過 audio.cpp,可在筆電 CPU(約即時)或 GPU 上執行。Apache-2.0,允許商業使用。
以 Markdown 檢視這份清單
引擎
文件
參考