想让 AI 念一句台词并不难，难的是让它像演员一样紧张地低声说话，中间喘气、停顿，甚至笑到声音发颤。audio.cpp 0.5 正在把这种能力装进同一套本地工具链：模型直接在自己的电脑或服务器上运行，不必每换一款语音模型，就重搭一套 Python 服务。
据项目作者介绍，0.5 一次接入九款模型。最醒目的是 DramaBox：它属于 TTS（Text-to-Speech，即把文字合成为语音），但更接近“按提示配戏”，可用文字控制情绪、语气、笑声、叹息、停顿、转折和说话者行为。Confucius4-TTS 则支持跨语言音色迁移——给它一段参考声音，再用另一种受支持的语言合成，重点是换了语言仍尽量保留“像谁说”。
其余新增能力覆盖变声、人声分离、语音识别等方向，包括 RVC、BS-RoFormer、GLM-TTS、Kroko ASR、Parakeet-TDT、Inflect Micro v2 和 Fun-ASR-Nano。版本还初步加入 AMD GPU 所需的 HIP/ROCm 支持，并改进 Apple Silicon 上的 Metal、实时 PCM 音频输入和流式转写。不过作者也提醒，部分早期接入以功能对齐为先，尤其非 CUDA 后端仍缺少针对性优化。