voice-cloning

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

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

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

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

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

Gere audiolivros a partir de e-books, com clonagem de voz e mais de 1158 idiomas!

Corte, tradução, alinhamento e até dublagem de legendas em nível Netflix - equipe de legendagem de vídeo por IA totalmente automatizada com um clique

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.

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.

Kit de ferramentas de fala fácil de usar, incluindo modelo de aprendizado autossupervisionado, ASR SOTA/Streaming com pontuação, TTS de streaming com frontend de texto, sistema de verificação de locutor, tradução de fala de ponta a ponta e detecção de palavras-chave. Vencedor do prêmio NAACL2022 Best Demo.

YuE: Modelo fundamental de geração de músicas completas, similar ao Suno.ai, porém aberto.

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.

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.

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

Modelo de fala (TTS) MARS5 da CAMB.AI

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.

Motor de inferência ONNX e conversor de modelos para GPT-SoVITS

Servidor oficial do MiniMax Model Context Protocol (MCP) que permite a interação com poderosas APIs de conversão de texto em fala, geração de imagens e geração de vídeo.

Uma integração abrangente do ComfyUI para o modelo de conversão de texto em fala VibeVoice da Microsoft, permitindo síntese de voz de alta qualidade para um ou vários locutores diretamente nos seus fluxos de trabalho do ComfyUI.

Um aplicativo Python/Pytorch para sintetizar vozes humanas facilmente

Auto-hospede o poderoso modelo de TTS Chatterbox. Este servidor oferece uma interface web amigável, endpoints de API flexíveis (incluindo compatibilidade com OpenAI), vozes predefinidas, clonagem de voz e processamento de texto em escala de audiolivros. Executa com aceleração em NVIDIA (CUDA), AMD (ROCm) e CPU.

Uma lista de corpora de fala acessíveis para ASR, TTS e outras tecnologias de fala.

Gerador de podcasts com IA para episódios bilíngues, múltiplos idiomas, alternativa ao NotebookLLM.

Uma WebUI para diferentes redes neurais relacionadas a áudio

Um modelo de conversão de texto em fala baseado em Flow Matching com controle de estilo via emoji

Uma integração de nó personalizado do ComfyUI para conversão de texto em fala e voz local com múltiplos motores e idiomas. Suporta: RVC, Echo-TTS, Qwen3-TTS, Cozy Voice 3, Step Audio EditX, IndexTTS-2, Chatterbox (clássico e multilíngue), F5-TTS, Higgs Audio 2, 3 e VibeVoice com comprimento de texto ilimitado, temporização SRT, suporte a personagens e muitas ferramentas de áudio

Servidor de inferência LLM nativo para Apple Silicon. Compatível com a API da OpenAI e Anthropic. Sem Python. Inclui o aplicativo MLX Core para macOS com chat, modo agente e chamada de ferramentas.

Gerador de audiolivros com múltiplas vozes impulsionado por IA — anotação de script por LLM, clonagem de voz, design de voz, treinamento LoRA, controle de estilo por linha e exportação para MP3, M4B com capítulos ou multifaixa para Audacity. Construído sobre o Qwen3-TTS.

Um poderoso modelo de áudio de aprendizado por reforço baseado em LLM de 3B parâmetros que se destaca na edição de Emoção, estilo de fala e paralinguística, e apresenta robusta conversão de texto em fala zero-shot

Um motor de Text-to-Speech (TTS) leve e offline para Android, que permite clonagem de voz integrada em todo o sistema e leitura de texto em alta fidelidade.