text-to-speech

सिंक्रनाइज़ कैप्शन के साथ EPUBs, PDFs और टेक्स्ट से ऑडियोबुक जेनरेट करें।

ओपन सोर्स वॉयस AI प्लेटफॉर्म। Vapi और Retell का सेल्फ-होस्टेड विकल्प। ऑन-प्रेम, स्पीच-टू-स्पीच या LLM/STT/TTS में BYOK, विजुअल वर्कफ्लो बिल्डर, MCP नेटिव और टेलीफोनी सहायता के साथ।

ओपन-सोर्स AI वीडियो लोकलाइजेशन टूल: YouTube/Bilibili वीडियो डाउनलोड, उपशीर्षक पहचान और अनुवाद, वॉयस क्लोनिंग डबिंग, ऑडियो ट्रैक मिक्सिंग और उपशीर्षक बर्निंग को स्वचालित रूप से पूरा करता है।

Kokoro-82M टेक्स्ट-टू-स्पीच के लिए डॉक्युराइज्ड OpenAI-संगत रैपर, मल्टीप्लैटफॉर्म CPU, AMD, NVIDIA GPU PyTorch; मल्टी-स्पीकर, वॉयस-मिक्सिंग, ऑटो-स्टिचिंग, कैप्शन टाइमस्टैम्प, SSML, रीडअलांग वेब UI के साथ

DiffSinger: शैलो डिफ्यूजन तंत्र (SVS & TTS) के माध्यम से सिंगिंग वॉयस सिंथेसिस; AAAI 2022; आधिकारिक कोड

रियल-टाइम कम्युनिकेशन के लिए पाइथन लाइब्रेरी

OpenAI के Whisper का लगभग-लाइव कार्यान्वयन।

मानव-जैसी, अभिव्यक्तfमक TTS के लिए फ़ाउंडेशनल मॉडल

MOSS‑TTS Family MOSI.AI और OpenMOSS टीम का एक ओपन‑सोर्स स्पीच और साउंड जनरेशन मॉडल परिवार है। इसे उच्च-निष्ठा, उच्च-अभिव्यक्ति और जटिल वास्तविक दुनिया के परिदृश्यों के लिए डिज़ाइन किया गया है, जिसमें स्थिर लॉन्ग-फॉर्म स्पीच, मल्टी-स्पीकर संवाद, आवाज़/कैरेक्टर डिज़ाइन, पर्यावरण ध्वनि प्रभाव और वास्तविक समय स्ट्रीमिंग TTS शामिल हैं।

रीयलटाइम में टेक्स्ट को स्पीच में बदलता है

:stuck_out_tongue_closed_eyes: TensorFlowTTS: Tensorflow 2 के लिए रियल-टाइम अत्याधुनिक स्पीच सिंथेसिस (अंग्रेजी, फ्रेंच, कोरियाई, चीनी, जर्मन सहित समर्थित और अन्य भाषाओं के लिए अनुकूलित करना आसान)

उपयोग में आसानी और प्रदर्शन पर केंद्रित एक सरल, उच्च-गुणवत्ता वाला वॉयस कन्वर्जन टूल।

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!

ElevenLabs API के लिए आधिकारिक Python SDK।

[AutoArk] GPA (General Purpose Audio) एक छोटे मॉडल के साथ ASR, TTS और वॉयस कन्वर्जन कर सकता है!

aeneas एक Python/C लाइब्रेरी और टूल्स का एक सेट है जो ऑडियो और टेक्स्ट को स्वचालित रूप से सिंक करता है (जिसे फोर्स्ड अलाइनमेंट भी कहते हैं)

CAMB.AI से MARS5 स्पीच मॉडल (TTS)

Google Translate की टेक्स्ट-टू-स्पीच API के साथ इंटरफेस करने के लिए Python लाइब्रेरी और CLI टूल।

🚀 एक-क्लिक पर तैनाती (ऑफ़लाइन एकीकृत पैकेज सहित)! ChatTTS पर आधारित, यह स्ट्रीमिंग आउटपुट, वॉयस कार्ड ड्रॉइंग, लंबे ऑडियो जनरेशन और रोल-आधारित रीडिंग का समर्थन करता है। उपयोग में आसान, किसी जटिल इंस्टॉलेशन की आवश्यकता नहीं है।

MARY TTS -- शुद्ध जावा में लिखा गया एक ओपन-सोर्स, बहुभाषी टेक्स्ट-टू-स्पीच सिंथेसिस सिस्टम

पायथन के लिए ऑफ़लाइन टेक्स्ट टू स्पीच सिंथेसिस

इंस्टेंट वॉइस क्लोनिंग के साथ Vietnamese TTS • ऑन-डिवाइस • रियल-टाइम CPU इन्फरेंस • 24kHz ऑडियो क्वालिटी • Chuyển văn bản thành giọng nói tiếng Việt • Text to speech tiếng Việt • TTS tiếng Việt

एक रीयल-टाइम वॉयस रनटाइम जो एजेंट्स को बात करते, काम करते और मौजूद रखते हुए रखता है। AI एजेंट्स के लिए रीयल-टाइम वॉयस रनटाइम

HiFi-GAN: कुशल और उच्च निष्ठा वाक् संश्लेषण के लिए जेनरेटिव एडवरसarial नेटवर्क

VALL-E (ज़ीरो-शॉट टेक्स्ट-टू-स्पीच) का PyTorch कार्यान्वयन, पुनरुत्पादित डेमो https://lifeiteng.github.io/valle/index.html

ऑडियो मॉडल के लिए एक ऑल-इन-वन, शुद्ध C++ इन्फेरेंस इंजन, जो ggml द्वारा संचालित है। अत्यधिक अनुकूलित प्रदर्शन के साथ TTS, STT, VAD, वॉयस कन्वर्शन, म्यूजिक जनरेशन और बहुत कुछ समर्थन करता है। कोई Python निर्भरता नहीं।

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

OpenAI, Azure, या ElevenLabs को बदलने के लिए मुफ़्त, उच्च-गुणवत्ता वाला text-to-speech API एंडपॉइंट

GPT-Live के समान सुविधाओं के साथ ऑन-डिवाइस, रीयल-टाइम मल्टीмоdal AI

Claude Code के लिए AI-नेटिव वीडियो प्रोडक्शन टूलकिट