speech-synthesis

आवाज़ के साथ एक ओपन-सोर्स ChatGPT ऐप

7000 से अधिक भाषाओं के लिए नियंत्रणीय और तेज़ Text-to-Speech!

रूसी और अन्य भाषाओं के लिए एक मुफ्त और ओपन सोर्स स्पीच सिंथेसाइज़र

Pytorch के साथ अनौपचारिक Parallel WaveGAN (+ MelGAN & Multi-band MelGAN & HiFi-GAN & StyleMelGAN)।

Speech Note Linux ऐप। ऑफ़लाइन Speech to Text, Text to Speech और मशीन अनुवाद के साथ नोट्स लेना, पढ़ना और अनुवाद करना।

कस्टम नोड्स जो Comfyui की क्षमताओं का विस्तार करते हैं।

Software Automatic Mouth - छोटा स्पीच सिंथेसाइज़र

Spoken Language Processing के लिए Unified-Modal Speech-Text Pre-Training।

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।

💎 ASR, TTS और अन्य Speech Technologies के लिए एक्सेसिबल स्पीच कॉर्पोरा की एक सूची

सामान्य भाषण बहाली

एक उच्च-गुणवत्ता वाली स्पीच एनालिसिस, मैनिपुलेशन और सिंथेसिस सिस्टम

StreamSpeech ऑफ़लाइन और एक साथ स्पीच रिकग्निशन, स्पीच ट्रांसलेशन और स्पीच सिंथेसिस के लिए एक "ऑल इन वन" सीमलेस मॉडल है।

इमोजी-संचालित स्टाइल नियंत्रण के साथ एक Flow Matching-आधारित Text-to-Speech मॉडल

BigVGAN (ICLR 2023) का आधिकारिक PyTorch कार्यान्वयन

इरीना - ऑफ़लाइन काम करने के लिए रूसी वॉयस असिस्टेंट। प्लगइन्स के माध्यम से कौशल का समर्थन करता है।

Youtube/Twitch पर स्ट्रीमिंग के लिए AI Vtuber

AutoVC: केवल ऑटोएनकोडर लॉस के साथ ज़ीरो-शॉट वॉयस स्टाइल ट्रांसफर

YourTTS: सभी के लिए ज़ीरो-शॉट मल्टी-स्पीकर TTS और ज़ीरो-शॉट वॉयस कन्वर्ज़न की दिशा में।

Cognitive Services का हिस्सा, कई भाषाओं में Microsoft Text-to-Speech API सैंपल कोड।

AI-संचालित मल्टी-वॉयस ऑडियोबुक जनरेटर — LLM स्क्रिप्ट एनोटेशन, वॉयस क्लोनिंग, वॉयस डिज़ाइन, LoRA ट्रेनिंग, प्रति-लाइन स्टाइल नियंत्रण, और MP3, चैप्टर वाले M4B या Audacity मल्टी-ट्रैक में निर्यात। Qwen3-TTS पर निर्मित

NISQA - गैर-हस्तक्षेपी भाषण गुणवत्ता और TTS प्राकृतिकता मूल्यांकन

Azure नेचुरल TTS वॉयस को किसी भी SAPI 5-संगत एप्लिकेशन के लिए सुलभ बनाएं।

एक ओपन-सोर्स LLM-सक्षम फाउंडेशन TTS सिस्टम

एक टॉकिंग LLM जो बिना इंटरनेट के आपके कंप्यूटर पर चलता है।

DiffWave एक तेज़, उच्च-गुणवत्ता वाला न्यूरल वोकोडर और वेवफॉर्म सिंथेसाइज़र है।

Confucius4-TTS: एक बहुभाषी और क्रॉस-लिंगुअल ज़ीरो-शॉट TTS इंजन

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।

Thorsten-Voice: एक मुफ्त, ऑफलाइन काम करने वाली, उच्च गुणवत्ता वाली जर्मन TTS आवाज़, जो बिना किसी लाइसेंस समस्या के हर प्रोजेक्ट के लिए उपलब्ध होनी चाहिए।

INTERSPEECH 2023-2024 पेपर्स: INTERSPEECH 2023-24 सम्मेलन से प्रभावशाली और रोमांचक शोध पत्रों का एक संपूर्ण संग्रह। स्पीच और लैंग्वेज प्रोसेसिंग में नवीनतम प्रगति का अन्वेषण करें। कोड शामिल है।