你想在自己的电脑上让 AI 念一段文字、模仿声音，再生成一段音乐，麻烦往往不在点击“生成”，而在此前的安装和配置：每换一个模型，就可能要重搭一套运行环境。audio.cpp 想做的，是把这些能力接进同一套本地、跨平台工具。它正在显露出成为“音频版 llama.cpp”的野心。
不过，目前关于 0.6 的信息全部来自一篇 Reddit 帖子，发帖者可能与项目有关。下文的模型数量、功能和测试情况均属项目方自报，尚无独立复核。
五个家族，一次并入
据该帖介绍，audio.cpp 0.6 新增五个模型家族：dots.tts、NeuTTS-2e、MuScriptor、MiniMax-H3 和 SenseVoice-Small。项目自报目前共支持 49 个模型家族、70 多个模型变体。
这里的“模型家族”，可以理解为一套有共同技术基础、但可能包含不同版本的模型。MuScriptor 负责 Music to MIDI——把音乐录音或演奏转成音符、时值等 MIDI 事件，而不是保存声音波形。MiniMax-H3 则接入了 text-to-audio pipeline，也就是从文字直接生成音频的完整流程，可用于 TTS、声音克隆和音乐生成。TTS 是 Text-to-Speech，即把文字合成为语音。
这延续了 audio.cpp 的扩建路线。本刊 8 月 2 日报道 0.5 时，它一次接入九款模型，把 TTS、变声、人声分离和语音识别放进同一工具链。0.6 又把音乐转录与生成能力向前推了一步。
不只收模型，也在补底座
这次更值得看的，不只是清单变长。帖子称，MiniMax-H3 的实现带来了 DiT 模型所需的 SageAttention、First Block Cache 和 Spectrum 等组件或配置能力。材料没有进一步解释这些组件各自如何工作，但项目的目标很清楚：把原本需要手动搭建的环节收进框架，用户通过调整少量参数即可试验模型。
audio.cpp 还新增了原生 WebUI——可在浏览器里操作的图形界面。对不熟悉终端命令的人来说，这相当于给本地模型装上一个可点击的控制面板。一个“本地音频模型栈”也因此更完整：从加载模型、执行推理，到实际交互，都能由同一套本机工具承接。
MiniMax-H3 的实现还能输出视频帧，但要注意它目前并不能直接生成成品视频。输出只是 RGB 帧数据和 JSON 元数据，用户仍需自行编码；项目也尚未支持画面放大或后期处理。
为什么值得关注
衡量这类项目，不能只看某个模型跑得多快，还要看更换模型时是否需要重新搭服务。audio.cpp 的价值正在于减少这种重复劳动：语音、音乐生成、音乐转 MIDI 等任务，开始共享一套运行框架和交互入口。
0.6 发布后，贡献者又加入 Irodori-TTS v4、IndexTTS 2.5、ACE-Step 1.5 XL 和 MiniMax-Music3。不过 MiniMax-Music3 仍位于 preview/minimax-music-3 分支，不能算作 0.6 稳定版已经正式支持。帖子称它已在 CUDA、Vulkan 和 HIP 后端测试；这只说明做过测试，不代表三种后端都已完整兼容、性能相同或适合生产环境。
局限与未知
- 帖子标题称性能“最高可达 3 倍实时”，但没有交代对应模型、硬件、精度、音频长度或测量方法，不能把它当作普遍性能结论。
- 49 个模型家族、70 多个变体及新增清单均为项目方自报，仍需用版本标签、提交记录或仓库清单复核。
- MiniMax-Music3 仍是预览功能，显存占用和速度资料也不完整。现阶段更适合把它看成扩展方向，而非成熟承诺。