text-to-speech

Sử dụng mô hình ngôn ngữ lớn AI và quy trình làm việc tự động để tạo video ngắn độ nét cao chỉ bằng một cú nhấp chuột dựa trên chủ đề hoặc từ khóa.

Giao diện người dùng cục bộ để chạy và huấn luyện LLM cùng các mô hình khuếch tán, bao gồm Qwen3.8, Kimi K3, MiniMax-H3, Gemma 4, DeepSeek-V4, FLUX và nhiều hơn nữa.

Chỉ 1 phút dữ liệu giọng nói cũng có thể được dùng để huấn luyện một mô hình TTS tốt! (nhân bản giọng nói ít mẫu)

Hệ thống sản xuất video tự trị (agentic) mã nguồn mở đầu tiên trên thế giới. 12 pipeline sản xuất, hơn 100 công cụ, hơn 700 kỹ năng agent và tệp kiến thức sản xuất. Biến trợ lý lập trình AI của bạn thành một studio sản xuất video toàn diện.

🐸💬 - bộ công cụ học sâu cho chuyển văn bản thành giọng nói, đã được kiểm chứng qua thực chiến trong nghiên cứu và sản xuất

Một mô hình tổng hợp giọng nói cho hội thoại hàng ngày.

Nhân bản giọng nói tức thì bởi MIT và MyShell. Mô hình nền tảng âm thanh.

🚀 Nhân bản giọng nói trong 5 giây để tạo ra lời nói bất kỳ theo thời gian thực

VoxCPM2: TTS không cần Tokenizer để tạo giọng nói đa ngôn ngữ, thiết kế giọng nói sáng tạo và nhân bản như thật

Một hệ thống chuyển đổi văn bản thành giọng nói (Text-To-Speech) Zero-Shot hiệu quả và có thể kiểm soát ở cấp độ công nghiệp

Mô hình tạo giọng nói lớn đa ngôn ngữ, cung cấp khả năng toàn diện từ suy luận, đào tạo đến triển khai.

Một mô hình TTS có khả năng tạo ra đoạn hội thoại cực kỳ chân thực trong một lần chạy duy nhất.

Dịch video từ ngôn ngữ này sang ngôn ngữ khác và chèn lồng tiếng & phụ đề.

🧠 Leon là trợ lý cá nhân mã nguồn mở của bạn.

VoiceStudio là giải pháp thay thế ElevenLabs mã nguồn mở, chạy hoàn toàn cục bộ — nhân bản giọng nói, thiết kế giọng nói, lồng tiếng video, đọc chính tả, chuyển đổi văn bản thành giọng nói và tạo sách nói bằng 646 ngôn ngữ.

Chuyển đổi giọng nói thành văn bản, văn bản thành giọng nói, phân đoạn người nói, cải thiện giọng nói, tách nguồn âm thanh và VAD sử dụng Kaldi thế hệ mới với onnxruntime không cần kết nối Internet. Hỗ trợ hệ thống nhúng, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, máy chủ x86_64, websocket server/client, hỗ trợ 12 ngôn ngữ lập trình

TTS đa ngôn ngữ, chạy trên thiết bị, cực kỳ nhanh — chạy nguyên bản qua ONNX.

Gradio WebUI dành cho người sáng tạo và nhà phát triển, tích hợp các tính năng TTS chính (Edge-TTS, kokoro) và nhân bản giọng nói zero-shot (E2 & F5-TTS, CosyVoice), xử lý âm thanh Whisper, tải xuống YouTube, tách giọng hát Demucs và dịch đa ngôn ngữ.

Sử dụng dịch vụ chuyển văn bản thành giọng nói trực tuyến của Microsoft Edge từ Python MÀ KHÔNG cần Microsoft Edge, Windows hoặc khóa API

Amphion (/æmˈfaɪən/) là bộ công cụ tạo Âm thanh, Âm nhạc và Tiếng nói. Mục đích của nó là hỗ trợ nghiên cứu có thể tái tạo và giúp các nhà nghiên cứu, kỹ sư trẻ bắt đầu trong lĩnh vực nghiên cứu và phát triển tạo âm thanh, âm nhạc và tiếng nói.

Bộ công cụ xử lý giọng nói đầu cuối (End-to-End)

EmotiVoice 😊: Công cụ TTS đa giọng nói và điều khiển bằng prompt

Một thư viện chuyển đổi văn bản thành giọng nói (TTS), giọng nói thành văn bản (STT) và giọng nói thành giọng nói (STS) được xây dựng trên framework MLX của Apple, cung cấp khả năng phân tích giọng nói hiệu quả trên Apple Silicon.

Thư viện chuyển văn bản thành giọng nói đa ngôn ngữ chất lượng cao từ MyShell.ai. Hỗ trợ tiếng Anh, Tây Ban Nha, Pháp, Trung Quốc, Nhật Bản và Hàn Quốc.

eSpeak NG là một trình tổng hợp giọng nói mã nguồn mở hỗ trợ hơn một trăm ngôn ngữ và giọng địa phương.

AI giọng nói trên thiết bị dành cho Apple Silicon

StyleTTS 2: Hướng tới Chuyển văn bản thành giọng nói cấp độ con người thông qua khuếch tán phong cách và huấn luyện đối kháng với các Speech Language Model lớn

Kho lưu trữ này chứa các tài nguyên được tuyển chọn thủ công về Prompt Engineering với trọng tâm là Generative Pre-trained Transformer (GPT), ChatGPT, PaLM, v.v.

Silero Models: các mô hình chuyển văn bản thành giọng nói được huấn luyện trước trở nên vô cùng đơn giản

Biến PC, Mac hoặc máy Linux của bạn thành một AI server. Suy luận LLM, giao diện trò chuyện, giọng nói, tác nhân, quy trình làm việc, RAG và tạo hình ảnh.