tts

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）

5秒で音声をクローンし、任意の音声をリアルタイムで生成

LocalAIはオープンソースのAIエンジン。あらゆるハードウェアで、LLMs、ビジョン、音声、画像、動画など、あらゆるモデルを実行可能。GPUは不要。

🐸💬 - 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

SOTAオープンソースTTS

🚀 AI 完全自動ショートビデオエンジン | AI Fully Automated Short Video Engine

MastraはAIを活用したアプリケーションおよびエージェントのためのモダンなTypeScriptフレームワークである。

Readestは、熱心な読者のために設計されたモダンで多機能な電子書籍リーダーであり、シームレスなクロスプラットフォームアクセス、強力なツール、直感的なインターフェースを提供し、読書体験を向上させます。

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

電子書籍からオーディオブックを生成、ボイスクローニング＆1158以上の言語に対応！

🌈クロスプラットフォームのテキスト翻訳およびOCRソフトウェア

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

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。

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。

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

LLMを搭載したAI動画翻訳・吹き替えツール。人間およびAIエージェント向け。全パイプライン（ダウンロード、文字起こし、翻訳、TTS吹き替え、再フォーマット、カバー生成）に対応。100以上の言語をサポートし、YouTube、TikTok、Bilibili、Douyinなどに最適化。

超低遅延の音声認識、意図認識、テキスト読み上げ機能。ボイスエージェントやインターフェースの構築に最適です。

オープンソースのTypeScript AI Agent Frameworkを基盤としたAIエージェントエンジニアリングプラットフォーム

multilingual-bertを搭載したvits2バックボーン

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

電子書籍からオーディオブックを生成。

StreamによるOpen Vision Agents。任意のモデルまたはビデオプロバイダーを使用して、音声およびビジョンエージェントを迅速に構築できます。超低遅延のためにStreamのエッジネットワークを利用しています。