audio-generation

LocalAI एक ओपन-सोर्स AI इंजन है। किसी भी हार्डवेयर पर कोई भी मॉडल - LLM, विज़न, वॉइस, इमेज, वीडियो - चलाएं। GPU की आवश्यकता नहीं है।

बहु-भाषी बड़ा वॉइस जनरेशन मॉडल, जो इन्फेरेंस, ट्रेनिंग और डिप्लॉयमेंट की फुल-स्टैक क्षमता प्रदान करता है।

Amphion (/æmˈfaɪən/) ऑडियो, म्यूजिक और स्पीच जनरेशन के लिए एक टूलकिट है। इसका उद्देश्य पुनरुत्पादनीय अनुसंधान (reproducible research) का समर्थन करना और नए शोधकर्ताओं व इंजीनियरों को ऑडियो, म्यूजिक और स्पीच जनरेशन के क्षेत्र में शुरुआत करने में मदद करना है।

omni-modality मॉडलों के साथ कुशल मॉडल इनफरेंस के लिए एक फ्रेमवर्क।

YuE: ओपन फुल-सॉन्ग म्यूज़िक जनरेशन फाउंडेशन मॉडल, Suno.ai जैसा कुछ लेकिन ओपन

ACE-Step, OmniVoice, Kimi Audio, Piper TTS, GPT-SoVITS, CosyVoice, XTTSv2, DIA, Kokoro, OpenVoice, ParlerTTS, Stable Audio, MMS, StyleTTS2, MAGNet, AudioGen, MusicGen, Tortoise, RVC, Vocos, Demucs, SeamlessM4T, और Bark के लिए एक्सटेंशन के साथ एक एकल Gradio + React WebUI!

AudioLDM: टेक्स्ट के साथ स्पीच, साउंड इफेक्ट्स, म्यूजिक और बहुत कुछ जनरेट करें।

टेक्स्ट-से-ऑडियो/संगीत जनरेशन

2023 से शुरू होने वाले ऑडियो जनरेशन के लिए नवीनतम AI मॉडल की एक टाइमलाइन!เช

Google Deepmind द्वारा SoundStorm का कार्यान्वयन, Pytorch में कुशल समानांतर ऑडियो जनरेशन

शक्तिशाली Chatterbox TTS मॉडल को सेल्फ-हॉस्ट करें। यह सर्वर एक उपयोगकर्ता के अनुकूल Web UI, लचीले API एंडपॉइंट (OpenAI संगत सहित), पूर्वनिर्धारित आवाज़ें, वॉयस क्लोनिंग, और बड़े ऑडियोबुक-स्केल टेक्स्ट प्रोसेसिंग प्रदान करता है। NVIDIA (CUDA), AMD (ROCm), और CPU पर त्वरित रूप से चलता है।

टेक्स्ट-टू-ऑडियो जनरेशन के लिए डिफ्यूजन मॉडल का एक परिवार।

BigVGAN (ICLR 2023) का आधिकारिक PyTorch कार्यान्वयन

स्थानीय मल्टी-इंजन मल्टी-लैंग्वेज टेक्स्ट-टू-स्पीच और वॉयस कन्वर्जन के लिए एक ComfyUI कस्टम नोड इंटीग्रेशन। समर्थित: RVC, Echo-TTS, Qwen3-TTS, Cozy Voice 3, Step Audio EditX, IndexTTS-2, Chatterbox (क्लासिक और बहुभाषी), F5-TTS, Higgs Audio 2, 3, और असीमित टेक्स्ट लंबाई, SRT टाइमिंग, कैरेक्टर सपोर्ट और कई ऑडियो टूल के साथ VibeVoice

muapi.ai के लिए आधिकारिक CLI — टर्मिनल से इमेज, वीडियो और ऑडियो जनरेट करें। MCP सर्वर, 14 AI मॉडल, npm और pip के माध्यम से इंस्टॉल करने योग्य।

SGLang-Omni, TTS, ASR, स्पीच और ओम्नी मॉडल के लिए उच्च-प्रदर्शन सर्विंग को सक्षम बनाता है।

AI Audio Datasets (AI-ADS) 🎵, जिसमें स्पीच, म्यूजिक और साउंड इफेक्ट्स शामिल हैं, जो जेनरेटिव AI, AIGC, AI मॉडल ट्रेनिंग, इंटेलिजेंट ऑडियो टूल डेवलपमेंट और ऑडियो एप्लिकेशन के लिए ट्रेनिंग डेटा प्रदान करते हैं।

ऑडियो AI अनुसंधान के लिए हब: ऑडियो LLMs, स्पीच रिकग्निशन, TTS, संगीत और ऑडियो जनरेशन पर शोध पत्र, ओपन मॉडल, बेंचमार्क और डेटासेट।

रीयल-टाइम वॉयस असिस्टेंट — WebRTC स्ट्रीमिंग, faster-whisper ASR, लोकल LLM, Vui Nano (300M) TTS। OpenAI रीयल-टाइम API संगत। वॉयस क्लोनिंग, बार्ज-इन, 4090 पर ~9× रीयल-टाइम। Apache 2.0।

इमेज, वीडियो, ऑडियो, टेक्स्ट, क्रेडिट और मॉडल डिस्कवरी के लिए फ्लैटकी मीडिया जनरेशन CLI।

Genblaze एक ओपन सोर्स Python SDK है जो वीडियो, ऑडियो और इमेज प्रदाताओं के बीच जेनरेटिव AI मीडिया पाइपलाइनों को व्यवस्थित करता है, जिसमें प्रत्येक आउटपुट के लिए इन-बिल्ट प्रोवेनेंस शामिल है।

ऑडियो प्रोसेसिंग और जनरेशन को एकीकृत करने के लिए एक ओपन-सोर्स प्रोजेक्ट