voice-cloning

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)

Sao chép giọng nói trong 5 giây để tạo ra lời nói bất kỳ theo thời gian thực

🐸💬 - 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

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

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

Tạo sách nói từ sách điện tử, nhân bản giọng nói và hơn 1158 ngôn ngữ!

Cắt, dịch, căn chỉnh phụ đề cấp độ Netflix và thậm chí lồng tiếng - nhóm phụ đề video AI hoàn toàn tự động chỉ với một cú nhấp chuột

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.

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.

Bộ công cụ xử lý giọng nói dễ sử dụng, bao gồm mô hình tự giám sát (Self-Supervised Learning), SOTA/Streaming ASR có dấu câu, Streaming TTS tích hợp frontend văn bản, Hệ thống xác thực người nói, Dịch giọng nói đầu cuối và Nhận diện từ khóa. Đạt giải Demo xuất sắc nhất tại NAACL 2022.

YuE: Mô hình nền tảng tạo nhạc toàn bài mở, tương tự như Suno.ai nhưng là mã nguồn mở

Công cụ bản địa hóa video AI mã nguồn mở: tự động tải xuống video YouTube/Bilibili, nhận diện và dịch phụ đề, lồng tiếng nhân bản giọng nói, trộn âm thanh và chèn phụ đề.

MOSS‑TTS Family là một dòng mô hình tạo giọng nói và âm thanh mã nguồn mở từ MOSI.AI và nhóm OpenMOSS. Được thiết kế cho các kịch bản thực tế phức tạp, có độ trung thực và biểu cảm cao, bao gồm giọng nói dài ổn định, hội thoại nhiều người nói, thiết kế giọng nói/nhân vật, hiệu ứng âm thanh môi trường và TTS phát trực tuyến thời gian thực.

Công cụ chuyển đổi giọng nói đơn giản, chất lượng cao, tập trung vào tính dễ sử dụng và hiệu năng.

Mô hình giọng nói MARS5 (TTS) từ CAMB.AI

Một công cụ suy luận C++ thuần túy, tất cả trong một dành cho các mô hình âm thanh, được hỗ trợ bởi ggml. Hỗ trợ TTS, STT, VAD, chuyển đổi giọng nói, tạo nhạc và nhiều tính năng khác với hiệu năng được tối ưu hóa cao. Không phụ thuộc Python.

Trình suy luận ONNX & chuyển đổi mô hình cho GPT-SoVITS

Máy chủ MiniMax Model Context Protocol (MCP) chính thức cho phép tương tác với các API Chuyển đổi Văn bản thành Giọng nói, tạo hình ảnh và tạo video mạnh mẽ.

Tích hợp ComfyUI toàn diện cho mô hình chuyển văn bản thành giọng nói VibeVoice của Microsoft, hỗ trợ tổng hợp giọng nói một và nhiều người nói chất lượng cao trực tiếp trong quy trình làm việc ComfyUI của bạn.

Một ứng dụng Python/PyTorch để tổng hợp giọng nói con người một cách dễ dàng

Tự triển khai mô hình Chatterbox TTS mạnh mẽ. Máy chủ này cung cấp Web UI thân thiện với người dùng, các điểm cuối API linh hoạt (bao gồm tương thích với OpenAI), giọng đọc có sẵn, nhân bản giọng nói và xử lý văn bản quy mô sách nói lớn. Chạy tăng tốc trên NVIDIA (CUDA), AMD (ROCm) và CPU.

💎 Danh sách các kho ngữ liệu giọng nói có thể truy cập cho ASR, TTS và các Công nghệ Giọng nói khác

Trình tạo podcast AI cho các tập song ngữ, đa ngôn ngữ, giải pháp thay thế cho NotebookLLM; Trình tạo podcast AI hội thoại giống người thật, đa ngôn ngữ, đa âm sắc

Giao diện web (webui) cho các mạng neural liên quan đến âm thanh khác nhau.

Mô hình chuyển văn bản thành giọng nói dựa trên Flow Matching với khả năng kiểm soát phong cách điều khiển bằng Emoji

Một tích hợp node tùy chỉnh ComfyUI cho chuyển đổi văn bản thành giọng nói và chuyển đổi giọng nói đa ngôn ngữ, đa công nghệ cục bộ. Hỗ trợ: RVC, Echo-TTS, Qwen3-TTS, Cozy Voice 3, Step Audio EditX, IndexTTS-2, Chatterbox (cổ điển và đa ngôn ngữ), F5-TTS, Higgs Audio 2, 3 và VibeVoice với độ dài văn bản không giới hạn, thời gian SRT, hỗ trợ nhân vật và nhiều công cụ âm thanh khác

Máy chủ suy luận LLM gốc cho Apple Silicon. Tương thích với API OpenAI và Anthropic. Không sử dụng Python. Bao gồm ứng dụng MLX Core trên macOS với tính năng trò chuyện, chế độ đại lý và gọi công cụ.

Trình tạo sách nói đa giọng nói hỗ trợ bởi AI — chú thích kịch bản LLM, nhân bản giọng nói, thiết kế giọng nói, huấn luyện LoRA, kiểm soát phong cách theo từng dòng, và xuất ra MP3, M4B chia chương, hoặc đa rãnh Audacity. Xây dựng trên Qwen3-TTS.

Một mô hình chỉnh sửa âm thanh Học tăng cường dựa trên LLM 3B tham số mạnh mẽ, xuất sắc trong việc chỉnh sửa cảm xúc, phong cách nói và ngôn ngữ cận lời, đồng thời tích hợp tính năng chuyển đổi văn bản thành giọng nói zero-shot mạnh mẽ

Công cụ chuyển văn bản thành giọng nói (TTS) Android nhẹ, hoạt động ngoại tuyến, hỗ trợ sao chép giọng nói toàn hệ thống và đọc văn bản chất lượng cao.