speech

来自 CAMB.AI 的 MARS5 语音模型 (TTS)

💬 SpeechGPT 是一个让你与 ChatGPT 对话的网页应用程序。

用于对接 Google Translate 文本转语音 API 的 Python 库与 CLI 工具。

语音活动检测（VAD）：低延迟、高性能且轻量

支持超过 7000 种语言、可控制且快速的文字转语音！

免费、简单且可移植的游戏音频引擎

免费、高质量的文本转语音 API 端点，可替代 OpenAI、Azure 或 ElevenLabs

Praat：用电脑进行语音学研究

开源的大词汇量连续语音识别引擎

从事音频与音乐技术 AI 领域的初创公司社群清单

SALMONN 系列：一套先进的多模态 LLM

通用语音还原

可控制的转录。逐字（包含每个语气词、停顿、口吃、声音）或意图（说话者想表达的意思，针对可读性优化），并带有单词级别的时间戳。

自然语言处理领域下的相关论文（附阅读笔记），复现模型以及数据处理等（代码含 TensorFlow 和 PyTorch 两版本）

MTools 是一个功能强大的多功能桌面应用程序，集成了音视频处理、图片编辑、文本操作和编码工具，内置AI增强功能。旨在简化您的工作流程，提升生产效率

StreamSpeech 是一个用于离线与同步语音识别、语音翻译及语音合成的“一体化”无缝模型。

用于理解深度学习的视频、笔记与实验。

用于在机器学习项目中处理多模态数据的工具。

[非官方] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) 的 PyTorch 实现

Kaldi 的 Python 包装器

一个由 LLM 驱动的开源基础 TTS 系统

基于 CNN 的音频分割工具包。可用于检测语音、音乐、噪音与说话者性别，专为基于各性别说话时间的大规模两性平等研究而设计。

DiffWave 是一个快速、高质量的神经声码器与波形合成器。

“AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling”的代码

基于 PaddlePaddle 实现端到端中文语音识别，从入门到实战，超简单的入门案例，超实用的企业项目。支持当前最流行的 DeepSpeech2、Conformer、Squeezeformer 模型

在原生环境与浏览器中运行的 Voxtral ASR 与 TTS。使用 Burn ML 框架实现的 Mistral Voxtral mini 实时 ASR / TTS 的 Rust 版本

一个基于 LiveKit 构建的实时交互式 Omni Avatar，允许你无缝集成任何开源 Avatar 组件（实时模型、视觉、语音、记忆、搜索等）。

🎧 🎼 最先进的 JavaFX 媒体播放器

为浏览器提供文字转语音功能的辅助与替代沟通（AAC）系统

Allosaurus 是一个预先训练的通用语音识别器，支持超过 2000 种语言