text-to-speech

Gere audiolivros a partir de EPUBs, PDFs e textos com legendas sincronizadas.

Plataforma de voz AI de código aberto. Alternativa auto-hospedada ao Vapi e Retell. On-prem, BYOK para Speech to Speech ou LLM/STT/TTS, com construtor visual de fluxo de trabalho, suporte nativo a MCP e telefonia.

Ferramenta de código aberto para localização de vídeos por IA: automatiza o download de vídeos do YouTube/Bilibili, reconhecimento e tradução de legendas, clonagem de voz, mixagem de áudio e gravação de legendas.

Wrapper compatível com OpenAI e empacotado em Docker para conversão de texto em fala Kokoro-82M com suporte multiplataforma para CPU, AMD, GPU NVIDIA PyTorch; vários locutores, mesclagem de voz, junção automática, carimbos de data/hora de legendas, SSML e interface web de leitura.

DiffSinger: Síntese de voz cantada via mecanismo de difusão superficial (SVS e TTS); AAAI 2022; código oficial

A biblioteca Python para comunicação em tempo real

Uma implementação quase em tempo real do Whisper da OpenAI.

Modelo fundamental para TTS expressivo e semelhante ao humano.

A família MOSS‑TTS é uma família de modelos de geração de fala e som open source da MOSI.AI e da equipe OpenMOSS. Projetada para alta fidelidade, alta expressividade e cenários complexos do mundo real, cobrindo fala longa estável, diálogo multi-falante, design de voz/personagem, efeitos sonoros ambientais e TTS de streaming em tempo real.

Converte texto em fala em tempo real.

:stuck_out_tongue_closed_eyes: TensorFlowTTS: Síntese de fala de última geração em tempo real para o TensorFlow 2 (suporta inglês, francês, coreano, chinês, alemão e é fácil de adaptar para outros idiomas)

Uma ferramenta de conversão de voz simples e de alta qualidade, focada em facilidade de uso e desempenho.

Uma WebUI única em Gradio + React com extensões para 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 e Bark!

O SDK oficial em Python para a API do ElevenLabs.

[AutoArk] GPA (General Purpose Audio) pode realizar ASR, TTS e conversão de voz com um único modelo compacto!

aeneas é uma biblioteca em Python/C e um conjunto de ferramentas para sincronizar automaticamente áudio e texto (também conhecido como forced alignment)

Modelo de fala (TTS) MARS5 da CAMB.AI

Biblioteca Python e ferramenta CLI para interagir com a API de conversão de texto em fala do Google Translate

Implantação com um clique (incluindo pacote offline)! Baseado em ChatTTS, suporta saída em streaming, seleção de voz, geração de áudio longo e leitura por personagens. Simples e fácil de usar, sem necessidade de instalação complexa.

MARY TTS: um sistema de síntese de voz multilingue de código aberto escrito em Java puro

Síntese de fala (Text To Speech) offline para Python

TTS em vietnamita com clonagem de voz instantânea • No dispositivo • Inferência de CPU em tempo real • Qualidade de áudio de 24kHz.

Um runtime de voz em tempo real que mantém agentes falando, trabalhando e presentes. Runtime de voz em tempo real para agentes de IA

HiFi-GAN: Redes Adversárias Generativas para síntese de fala eficiente e de alta fidelidade

Implementação em PyTorch do VALL-E (Text-To-Speech Zero-Shot), demo reproduzido em https://lifeiteng.github.io/valle/index.html

Um motor de inferência tudo-em-um em C++ puro para modelos de áudio, alimentado por ggml. Suporta TTS, STT, VAD, conversão de voz, geração de música e mais, com desempenho altamente otimizado. Sem dependência de Python.

Conversão de texto em fala rápida e controlável para mais de 7000 idiomas!

Endpoint de API de conversão de texto em fala gratuito e de alta qualidade para substituir OpenAI, Azure ou ElevenLabs

IA multimodal em tempo real executada no dispositivo, com recursos semelhantes ao GPT-Live.

Kit de ferramentas de produção de vídeo nativo em IA para Claude Code.