text-to-speech

Generieren Sie HD-Kurzvideos aus einem Thema oder Keyword mit einem automatisierten KI-Workflow.

Lokale UI zum Ausführen und Trainieren von LLMs und Diffusionsmodellen, einschließlich Qwen3.8, Kimi K3, MiniMax-H3, Gemma 4, DeepSeek-V4, FLUX und mehr.

1 Minute Sprachdaten können auch zum Trainieren eines guten TTS‑Modells verwendet werden! (Few‑Shot‑Sprachklonierung)

Die weltweit erste Open-Source-Agenten-Video-Produktionsplattform. 12 Produktionspipelines, 100+ Tools, 700+ Agent-Fähigkeiten und Produktionswissensdateien. Verwandeln Sie Ihren AI-Coding-Assistenten in ein vollständiges Video-Produktionsstudio.

🐸💬 - ein Deep-Learning-Toolkit für Text‑zu‑Sprache, erprobt in Forschung und Produktion

Ein generatives Sprachmodell für den täglichen Dialog.

Sofortige Sprachklonung von MIT und MyShell. Audio-Grundlagenmodell.

🚀Eine Stimme in 5 Sekunden klonen, um beliebiges Speech in Echtzeit zu erzeugen.

File Browser bietet eine Datei‑Verwaltungs‑Schnittstelle in einem angegebenen Verzeichnis und ermöglicht das Hochladen, Löschen, Vorschauen und Bearbeiten von Dateien.

Ein industrietaugliches, kontrollierbares und effizientes Zero-Shot-Text-zu-Sprachsystem

Multilingualer großflächiges Sprachgenerierungsmodell, das Inference, Training und Bereitstellung in vollem Stack ermöglicht.

Ein TTS-Modell, das in der Lage ist, ultrarealistische Dialoge in einem Durchgang zu erzeugen.

Videos von einer Sprache in eine andere übersetzen und Synchronisation sowie Untertitel einbetten.

🧠 Leon ist Ihr persönlicher Open-Source-Assistent.

Spracherkennung, Sprachsynthese, Sprecher-Diarisierung, Sprachverbesserung, Quellentrennung und VAD unter Verwendung von Kaldi der nächsten Generation mit onnxruntime ohne Internetverbindung. Unterstützt eingebettete Systeme, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64-Server, WebSocket-Server/Client sowie 12 Programmiersprachen.

Blitzschnelles, gerätebasiertes, mehrsprachiges TTS — läuft nativ über ONNX.

Gradio WebUI für Creator und Entwickler mit wichtigen TTS-Funktionen (Edge-TTS, kokoro) und Zero-Shot Voice Cloning (E2 & F5-TTS, CosyVoice), inklusive Whisper-Audioverarbeitung, YouTube-Download, Demucs-Gesangsisolierung und mehrsprachiger Übersetzung.

VoiceStudio ist die Open-Source- und vollständig lokale Alternative zu ElevenLabs — Stimmenklonen, Stimmen-Design, Videodubbing, Diktat, Transkription und Erstellung von Hörbüchern in 646 Sprachen.

Nutze den Online-Text-to-Speech-Dienst von Microsoft Edge aus Python, OHNE Microsoft Edge, Windows oder einen API-Key zu benötigen

Amphion (/æmˈfaɪən/) ist ein Toolkit zur Audio-, Musik- und Sprachgenerierung. Sein Zweck ist es, reproduzierbare Forschung zu unterstützen und jüngeren Forschern sowie Ingenieuren den Einstieg in die Forschung und Entwicklung zur Audio-, Musik- und Sprachgenerierung zu erleichtern.

End-to-End-Sprachverarbeitungs-Toolkit

EmotiVoice 😊: Eine Multi-Voice- und Prompt-gesteuerte TTS-Engine

Eine auf Apples MLX-Framework basierende Text-to-Speech (TTS)-, Speech-to-Text (STT)- und Speech-to-Speech (STS)-Bibliothek für effiziente Sprachanalyse auf Apple Silicon.

Hochwertige, mehrsprachige Text-to-Speech-Bibliothek von MyShell.ai. Unterstützt Englisch, Spanisch, Französisch, Chinesisch, Japanisch und Koreanisch.

eSpeak NG ist ein Open-Source-Sprachsynthesizer, der mehr als hundert Sprachen und Akzente unterstützt.

On-Device-Sprach-KI für Apple Silicon

StyleTTS 2: Annäherung an menschliche Sprachsynthese durch Style Diffusion und adversariales Training mit großen Sprachmodellen für Sprache

Dieses Repository enthält handverlesene Ressourcen für Prompt Engineering mit Schwerpunkt auf Generative Pre-trained Transformer (GPT), ChatGPT, PaLM usw.

Silero Models: Vorab trainierte Text-to-Speech-Modelle, denkbar einfach gestaltet

Erstelle Hörbücher aus EPUBs, PDFs und Text mit synchronisierten Untertiteln.