speech

🐸💬 - 用于文字转语音的深度学习工具包，已在研究与生产环境中验证

🚀在 5 秒内克隆声音，实时生成任意语音

VoxCPM2：无需分词器的多语言语音生成、创意语音设计与真实感克隆

WhisperX：具备单字层级时间戳（及说话者分割）的自动语音识别

🤗 最大的 AI 模型即用数据集中心，提供快速、易用且高效的数据操作工具

Grounded SAM：结合 Grounding DINO、Segment Anything、Stable Diffusion 与 Recognize Anything，自动检测、分割并生成任意内容。

kaldi-asr/kaldi 是 Kaldi 项目的官方位置。

使用开源模型构建语音代理

AudioGPT：理解与生成语音、音乐、声音与虚拟人物影像

Silero VAD：预训练的企业级语音活动检测器

ModelScope：将模型即服务（Model-as-a-Service）的概念落地。

EmotiVoice 😊：多语音与提示控制的文字转语音引擎

官方维护，由 PaddlePaddle 支持，涵盖 CV、NLP、语音、推荐、时间序列、大模型等领域

💬 你网站的语音识别

Silero 模型：让预训练文字转语音模型变得极度简单

量化、核心、运行时与推理引擎，适用于移动设备、可穿戴设备、智能家居和机器人。

基于 OpenAI Whisper 的自动语音识别与说话者分离

语音识别转文字工具 / 一个离线运行的本地音视频转字幕工具，输出 json、srt 字幕、纯文字格式

使用深度过滤的噪音抑制

一个快速的多模态 LLM，用于实时语音

一套 AI 驱动的语音处理工具包与开源 SOTA 预训练模型，支持语音增强、分离与目标说话人提取等功能

面向人类般表达式TTS的基础模型

A simple, high-quality voice conversion tool focused on ease of use and performance.

🚀 精选 Python 脚本，从基础到进阶，包含自动化任务脚本

OpenAI Whisper ASR 网络服务 API

iOS 10 新 API 的代码示例。

基于 PyTorch 的音讯信号处理数据操作与转换

Lingvo

aeneas 是一个 Python/C 库和工具集，用于自动同步音频和文本（即强制对齐）

支持词级时间戳和置信度的多语言自动语音识别