text-to-speech

利用 AI 大模型与自动化工作流，根据主题或关键词一键生成高清短视频。

本机 UI，用于运行与训练 LLM 与扩散模型，支持 Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、DeepSeek-V4、FLUX 等多种模型

1 分钟的语音数据也能用来训练高质量的 TTS 模型！（少量样本语音克隆）

世界首个开源代理式视频制作系统。12条生产流水线，100+ 工具，700+ 代理技能与生产知识文件。将你的 AI 编码助手变成完整的视频制作工作室

🐸💬 - 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

用于日常对话的生成式语音模型。

MIT 与 MyShell 的即时语音克隆，音频基础模型

🚀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

工业级可控且高效的零样本文字转语音系统

多语言大型语音生成模型，提供推理、训练与部署全栈能力

一个一次性生成超写实对话的 TTS 模型。

将视频从一种语言翻译成另一种语言，并嵌入配音与字幕。

🧠 Leon 是你的开源个人助理

VoiceStudio 是开源、完全本地化的 ElevenLabs 替代方案——支持 646 种语言的语音克隆、语音设计、视频配音、口述、转录与有声书制作。

使用次世代 Kaldi 与 onnxruntime 的语音转文字、文字转语音、说话者分离、语音增强、声源分离与 VAD，支持离线运行。支持嵌入式系统、Android、iOS、HarmonyOS、Raspberry Pi、RISC‑V、RK NPU、Axera NPU、Ascend NPU、x86_64 服务器、WebSocket 服务器/客户端，支持 12 种编程语言

闪电般快速、在设备上运行的多语言 TTS —— 通过 ONNX 原生运行

Gradio WebUI 为创作者与开发者提供关键 TTS（Edge‑TTS、kokoro）与零样本语音克隆（E2 & F5‑TTS、CosyVoice），并支持 Whisper 音频处理、YouTube 下载、Demucs 人声分离与多语言翻译

在 Python 中使用 Microsoft Edge 的在线文字转语音服务，无需 Microsoft Edge、Windows 或 API 密钥

Amphion（/æmˈfaɪən/）是一个音频、音乐和语音生成工具箱，旨在支持可重复研究，帮助初学者和工程师快速进入音频、音乐和语音生成的研发领域。

端到端语音处理工具包

EmotiVoice 😊：多语音与提示控制的文字转语音引擎

一个基于 Apple MLX 框架的文字转语音（TTS）、语音转文字（STT）与语音转语音（STS）库，提供在 Apple Silicon 上高效的语音分析。

MyShell.ai 提供的高质量多语言文字转语音库，支持英语、西班牙语、法语、中文、日语和韩语

eSpeak NG 是支持超过百种语言与口音的开源语音合成器

Apple Silicon 上的本机语音 AI

StyleTTS 2：通过风格扩散与对抗训练，结合大型语音语言模型，迈向人类水平的文本转语音

本仓库包含手工挑选的 Prompt Engineering 资源，重点关注 Generative Pre-trained Transformer (GPT)、ChatGPT、PaLM 等

Silero 模型：让预训练文字转语音模型变得极度简单

将你的 PC、Mac 或 Linux 盒子变成 AI 服务器。LLM 推理、聊天 UI、语音、代理、工作流程、RAG 与图像生成