speech-synthesis

🐸💬 - 研究および本番環境で実証済みの Text-to-Speech 用ディープラーニングツールキット

VoxCPM2: 多言語音声生成、クリエイティブなボイスデザイン、真実味のあるクローニングのためのトークナイザーフリーTTS

大規模言語モデル、マルチモーダル、および音声AI（自動音声認識とText-to-Speech）に取り組む研究者や開発者のために構築されたスケーラブルな生成AIフレームワーク

🧠 Leonはあなたのオープンソースのパーソナルアシスタントです。

モデル別に整理された最先端のディープラーニングスクリプト - エンタープライズグレードのインフラストラクチャ上で再現性のある精度とパフォーマンスで容易にトレーニングおよびデプロイ可能。

超高速、オンデバイス、多言語対応のTTS — ONNX経由でネイティブ実行。

オープンソースモデルでボイスエージェントを構築

クリエイターと開発者のためのGradio WebUI。主要なTTS (Edge-TTS, kokoro) およびゼロショット音声クローニング (E2 & F5-TTS, CosyVoice) を特徴とし、Whisperオーディオ処理、YouTubeダウンロード、Demucsによるボーカル分離、多言語翻訳に対応。

自己教師あり学習モデル、句読点付きSOTA/ストリーミングASR、テキストフロントエンド付きストリーミングTTS、話者認証システム、エンドツーエンド音声翻訳、キーワードスポッティングを含む使いやすい音声ツールキット。NAACL2022最優秀デモ賞を受賞。

Microsoft EdgeやWindows、APIキーを必要とせずにPythonからMicrosoft Edgeのオンラインテキスト読み上げサービスを利用

Amphion (/æmˈfaɪən/) は、オーディオ、音楽、音声生成のためのツールキットです。再現性のある研究をサポートし、若手研究者やエンジニアがオーディオ、音楽、音声生成の研究開発分野を始めやすくすることを目的としています。

エンドツーエンド音声処理ツールキット

リアルタイムサポート、改善されたインターフェース、およびより多くの機能を備えたso-vits-svcのフォーク。

EmotiVoice 😊: マルチボイスおよびプロンプト制御型TTSエンジン

AppleのMLXフレームワーク上に構築された、テキスト読み上げ (TTS)、音声認識 (STT)、音声合成 (STS) のライブラリ。Apple Silicon上での効率的な音声分析を提供。

eSpeak NGは、100以上の言語とアクセントをサポートするオープンソースの音声合成エンジンです。

StyleTTS 2: 大規模音声言語モデルを用いたスタイル拡散と敵対的学習による人間レベルのText-to-Speechへのアプローチ

Silero Models: 驚くほどシンプルな事前学習済みテキスト読み上げモデル

同期キャプション付きで、EPUB、PDF、およびテキストからオーディオブックを生成します。

DiffSinger: シャロー拡散メカニズムによる歌声合成 (SVS & TTS); AAAI 2022; 公式コード

Whisperを反転させて構築されたオープンソースのテキスト読み上げ（TTS）システム。

オープンシンギング合成プラットフォーム / オープンソースのUTAU後継

人間的で表現力豊かなTTSのための基盤モデル。

テキストをリアルタイムで音声に変換

:stuck_out_tongue_closed_eyes: TensorFlowTTS: TensorFlow 2向けのリアルタイム最先端音声合成（英語、フランス語、韓国語、中国語、ドイツ語に対応しており、他の言語への適応が容易）

Lingvo

CAMB.AI の MARS5 音声モデル (TTS)

純粋な Java で書かれたオープンソースの多言語音声合成システム「MARY TTS」

インスタント音声クローンを備えたベトナム語TTS • オンデバイス • リアルタイムCPU推論 • 24kHz音声品質 • ベトナム語音声合成

HiFi-GAN：効率的かつ高忠実度な音声合成のための積層型敵対的生成ネットワーク（GAN）