text-to-speech

Gere vídeos curtos em HD a partir de um tópico ou palavra-chave com um fluxo de trabalho automatizado de IA, utilizando modelos de IA de grande escala e automação.

Interface de usuário local para executar e treinar LLMs e modelos de difusão, incluindo Qwen3.8, Kimi K3, MiniMax-H3, Gemma 4, DeepSeek-V4, FLUX e muito mais.

1 minuto de dados de voz também pode ser usado para treinar um bom modelo de TTS! (clonagem de voz com poucos exemplos)

O primeiro sistema de produção de vídeo agêntico e de código aberto do mundo. 12 pipelines de produção, mais de 100 ferramentas, mais de 700 arquivos de habilidades de agentes e conhecimento de produção. Transforme seu assistente de codificação de IA em um estúdio completo de produção de vídeo.

🐸💬 - um conjunto de ferramentas de deep learning para conversão de texto em fala (Text-to-Speech), testado em pesquisa e produção

Um modelo de fala gerativa para diálogos cotidianos.

Clonagem de voz instantânea pelo MIT e MyShell. Modelo de fundação de áudio.

🚀Clone uma voz em 5 segundos para gerar fala arbitrária em tempo real

VoxCPM2: TTS sem tokenizador para geração de fala multilíngue, design de voz criativo e clonagem realista

Um Sistema de Conversão de Texto em Fala Zero-Shot Controlável e Eficiente em Nível Industrial

Modelo multilíngue de geração de voz de grande escala, oferecendo capacidade full-stack de inferência, treinamento e implantação.

Um modelo de TTS capaz de gerar diálogos ultra-realistas em uma única passagem.

Traduza vídeos de um idioma para outro e incorpore dublagem e legendas.

🧠 Leon é seu assistente pessoal de código aberto

VoiceStudio é a alternativa ao ElevenLabs de código aberto e totalmente local — clonagem de voz, design de voz, dublagem de vídeo, ditado, transcrição e criação de audiolivros em 646 idiomas.

Speech-to-text, text-to-speech, diarização de locutor, aprimoramento de fala, separação de fontes e VAD usando a próxima geração do Kaldi com onnxruntime sem conexão com a Internet. Suporte a sistemas embarcados, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, servidores x86_64, servidor/cliente websocket e 12 linguagens de programação

TTS multilíngue, ultrarrápido e on-device, executado nativamente via ONNX.

Interface Web Gradio para criadores e desenvolvedores, apresentando TTS (Edge-TTS, kokoro) e clonagem de voz zero-shot (E2 & F5-TTS, CosyVoice), com processamento de áudio Whisper, download do YouTube, isolamento vocal Demucs e tradução multilíngue.

Use o serviço de conversão de texto em fala online do Microsoft Edge a partir do Python, sem precisar do Microsoft Edge, Windows ou de uma chave de API.

Amphion (/æmˈfaɪən/) é um kit de ferramentas para geração de áudio, música e fala. Seu objetivo é apoiar pesquisas reprodutíveis e ajudar pesquisadores e engenheiros iniciantes a começar na área de pesquisa e desenvolvimento de geração de áudio, música e fala.

Toolkit de processamento de fala de ponta a ponta

EmotiVoice 😊: um motor de TTS multivoz e controlado por prompt.

Uma biblioteca de text-to-speech (TTS), speech-to-text (STT) e speech-to-speech (STS) construída sobre o framework MLX da Apple, oferecendo análise de fala eficiente em Apple Silicon.

Biblioteca de conversão de texto em fala multilíngue de alta qualidade da MyShell.ai. Suporta inglês, espanhol, francês, chinês, japonês e coreano.

eSpeak NG é um sintetizador de voz de código aberto que suporta mais de cem idiomas e sotaques.

IA de fala executada localmente no dispositivo para Apple Silicon

StyleTTS 2: Rumo à conversão de texto em fala de nível humano através de difusão de estilo e treinamento adversarial com grandes modelos de linguagem de fala

Este repositório contém recursos selecionados manualmente para Prompt Engineering com foco em Generative Pre-trained Transformer (GPT), ChatGPT, PaLM, etc.

Silero Models: modelos de conversão de texto em fala pré-treinados feitos de forma extremamente simples

Transforme seu PC, Mac ou Linux em um servidor de IA. Inferência de LLM, interface de chat, voz, agentes, fluxos de trabalho, RAG e geração de imagens.