text-to-speech

AI大規模言語モデルと自動化ワークフローを活用し、トピックやキーワードからワンクリックでHDショート動画を生成。

Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、DeepSeek-V4、FLUXなどを含むLLMおよび拡散モデルを実行・学習するためのローカルUI。

1分の音声データでも優れたTTSモデルのトレーニングに使用可能！（Few-shotボイスクローニング）

世界初のオープンソースのエージェンティック動画制作システム。12のプロダクションパイプライン、100以上のツール、700以上のエージェントスキルおよびプロダクション知識ファイル。AIコーディングアシスタントを完全な動画制作スタジオに変える。

🐸💬 - 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

日常会話のための生成型音声モデル。

MITとMyShellによるインスタントボイスクローニング。オーディオ基盤モデル。

🚀5秒でボイスをクローンし、任意の音声をリアルタイムで生成。

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

産業レベルで制御可能かつ効率的なゼロショットText-To-Speechシステム

推論、学習、デプロイのフルスタック機能を備えた多言語大規模音声生成モデル

ワンパスで超リアルな対話を生成できるTTSモデル。

動画をある言語から別の言語に翻訳し、ダビングと字幕を埋め込む。

🧠 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。

VoiceStudioは、完全にローカルで動作するオープンソースのElevenLabs代替ツールです。646言語で音声クローニング、音声デザイン、ビデオダビング、ディクテーション、文字起こし、オーディオブック作成に対応しています。

インターネット接続なしで、次世代Kaldiとonnxruntimeを使用した音声認識（Speech-to-text）、テキスト読み上げ（text-to-speech）、話者ダイアライゼーション、音声強調、ソース分離、VADを提供。組み込みシステム、Android、iOS、HarmonyOS、Raspberry Pi、RISC-V、RK NPU、Axera NPU、Ascend NPU、x86_64サーバー、websocketサーバー/クライアントをサポートし、12のプログラミング言語に対応。

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。

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。

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

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。

MyShell.aiによる高品質な多言語テキスト読み上げ（Text-to-Speech）ライブラリ。English、Spanish、French、Chinese、Japanese、Koreanに対応。

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。

Apple Silicon向けオンデバイス音声AI

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

このリポジトリには、Generative Pre-trained Transformer (GPT)、ChatGPT、PaLMなどに焦点を当てた、手作業で厳選されたプロンプトエンジニアリングのリソースが含まれています。

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

PC、Mac、またはLinuxマシンをAIサーバーに変えましょう。LLM推論、チャットUI、音声、エージェント、ワークフロー、RAG、画像生成に対応。