text-to-speech

AI बड़े मॉडलों और स्वचालित वर्कफ़्लो का उपयोग करके, एक विषय या कीवर्ड के आधार पर एक क्लिक के साथ एचडी शॉर्ट वीडियो जनरेट करें।

Qwen3.8, Kimi K3, MiniMax-H3, Gemma 4, DeepSeek-V4, FLUX और अन्य सहित LLM और डिफ़्यूज़न मॉडल को चलाने और प्रशिक्षित करने के लिए स्थानीय UI।

1 मिनट के वॉयस डेटा का उपयोग करके भी एक अच्छा TTS मॉडल प्रशिक्षित किया जा सकता है! (फ्यू शॉट वॉयस क्लोनिंग)

दुनिया का पहला ओपन-सोर्स, एजेंटिक वीडियो प्रोडक्शन सिस्टम। 12 प्रोडक्शन पाइपलाइन, 100+ टूल, 700+ एजेंट स्किल और प्रोडक्शन-नॉलेज फाइलें। अपने AI कोडिंग असिस्टेंट को एक पूर्ण वीडियो प्रोडक्शन स्टूडियो में बदलें।

🐸💬 - Text-to-Speech के लिए एक डीप लर्निंग टूलकिट, जो रिसर्च और प्रोडक्शन में परखा हुआ है

दैनिक बातचीत के लिए एक जनरेटिव स्पीच मॉडल।

MIT और MyShell द्वारा त्वरित वॉयस क्लोनिंग। ऑडियो फाउंडेशन मॉडल।

🚀रियल-टाइम में मनमाना भाषण उत्पन्न करने के लिए 5 सेकंड में आवाज़ क्लोन करें

VoxCPM2: बहुभाषी भाषण निर्माण, रचनात्मक आवाज़ डिज़ाइन, और वास्तविक क्लोनिंग के लिए टोकनराइज़र-मुक्त TTS

एक औद्योगिक-स्तरीय नियंत्रणीय और कुशल ज़ीरो-शॉट टेक्स्ट-टू-स्पीच सिस्टम

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

एक TTS मॉडल जो एक ही पास में अति-यथार्थवादी संवाद उत्पन्न करने में सक्षम है।

वीडियो को एक भाषा से दूसरी भाषा में अनुवादित करें और डबिंग व उपशीर्षक (subtitles) एम्बेड करें।

🧠 Leon आपका ओपन-सोर्स पर्सनल असिस्टेंट है।

VoiceStudio एक ओपन-सोर्स, पूरी तरह से लोकल ElevenLabs विकल्प है - जो 646 भाषाओं में वॉयस क्लोनिंग, वॉयस डिज़ाइन, वीडियो डबिंग, डिक्टेशन, ट्रांसक्रिप्शन और ऑडियोबुक निर्माण की सुविधा देता है।

बिना इंटरनेट कनेक्शन के onnxruntime के साथ नेक्स्ट-जेन Kaldi का उपयोग करके स्पीच-टू-टेक्स्ट, टेक्स्ट-टू-स्पीच, स्पीकर डायराइजेशन, स्पीच एन्हांसमेंट, सोर्स सेपरेशन और VAD। एम्बेडेड सिस्टम, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 सर्वर, वेबसॉकेट सर्वर/क्लाइंट और 12 प्रोग्रामिंग भाषाओं का समर्थन करता है।

बिजली की गति वाला, ऑन-डिवाइस, बहुभाषी TTS — जो ONNX के माध्यम से नेटिव रूप से चलता है।

क्रिएटर्स और डेवलपर्स के लिए Gradio WebUI, जिसमें प्रमुख TTS (Edge-TTS, kokoro) और ज़ीरो-शॉट Voice Cloning (E2 & F5-TTS, CosyVoice) शामिल हैं, साथ ही Whisper ऑडियो प्रोसेसिंग, YouTube डाउनलोड, Demucs वोकल आइसोलेशन और बहुभाषी अनुवाद शामिल हैं।

Microsoft Edge या Windows या API की की आवश्यकता के बिना Python से Microsoft Edge की ऑनलाइन टेक्स्ट-टू-स्पीच सेवा का उपयोग करें।

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।

एंड-टू-एंड स्पीच प्रोसेसिंग टूलकिट

EmotiVoice 😊: एक बहु-आवाज़ और प्रॉम्प्ट-नियंत्रित TTS इंजन

Apple के MLX फ्रेमवर्क पर बनी एक टेक्स्ट-टू-स्पीच (TTS), स्पीच-टू-टेक्स्ट (STT) और स्पीच-टू-स्पीच (STS) लाइब्रेरी, जो Apple Silicon पर कुशल भाषण विश्लेषण प्रदान करती है।

MyShell.ai द्वारा उच्च-गुणवत्ता वाली बहुभाषी टेक्स्ट-टू-स्पीच लाइब्रेरी। अंग्रेजी, स्पेनिश, फ्रेंच, चीनी, जापानी और कोरियाई का समर्थन करती है।

eSpeak NG एक ओपन सोर्स स्पीच सिंथेसाइज़र है जो सौ से अधिक भाषाओं और लहजों का समर्थन करता है।

Apple Silicon के लिए ऑन-डिवाइस स्पीच AI

StyleTTS 2: लार्ज स्पीच लैंग्वेज मॉडल के साथ स्टाइल डिफ़्यूज़न और एडवरसरियल ट्रेनिंग के माध्यम से मानव-स्तरीय टेक्स्ट-टू-स्पीच की ओर

इस रिपॉजिटरी में Generative Pre-trained Transformer (GPT), ChatGPT, PaLM आदि पर ध्यान केंद्रित करते हुए Prompt Engineering के लिए चुनिंदा संसाधन शामिल हैं

Silero मॉडल: प्री-ट्रेनिंग टेक्स्ट-टू-स्पीच मॉडल जिन्हें अत्यंत सरल बनाया गया है

अपने PC, Mac, या Linux बॉक्स को AI सर्वर में बदलें। LLM इन्फेंस, चैट UI, वॉयस, एजेंट, वर्कफ़्लो, RAG, और इमेज जनरेशन।