tts

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）

在 5 秒内克隆声音，实时生成任意语音

LocalAI 为开源 AI 引擎，可在任何硬件上运行任意模型（LLM、视觉、语音、图像、视频），无需 GPU

🐸💬 - 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

SOTA 开源文字转语音

🚀 AI 全自动短视频引擎

Mastra 是用于 AI 驱动应用与代理的现代 TypeScript 框架

Readest 是一款现代且功能丰富的电子书阅读器，为热衷阅读者提供无缝跨平台访问、强大工具与直觉界面，提升阅读体验

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

从电子书生成有声书，支持语音克隆和 1158+ 种语言！

🌈 一个跨平台的划词翻译和 OCR 软件

为研究人员与开发者打造的可扩展生成式 AI 框架，支持大型语言模型、多模态与语音 AI（自动语音识别与文本转语音）

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。

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

易用的语音工具包，包含自监督学习模型、SOTA/流式 ASR（含标点）、流式 TTS（含文字前端）、说话者验证系统、端到端语音翻译与关键词检测。荣获 NAACL2022 最佳示范奖

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

AI 视频翻译与配音工具，面向人类与 AI Agent，100+ 语言全链路，CLI 分阶段调用，适配抖音、小红书、哔哩哔哩、视频号、TikTok、YouTube。

Very low latency speech to text, intent recognition, and text to speech, for building voice agents and interfaces

基于开源 TypeScript AI Agent 框架的 AI 代理工程平台

vits2 骨干结合 multilingual-bert

EmotiVoice 😊：多语音与提示控制的文字转语音引擎

从电子书生成有声书

Stream 的 Open Vision Agents。使用任意模型或视频提供者快速构建语音与视觉代理，利用 Stream 边缘网络实现超低延迟