voice-cloning

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

🐸💬 - 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

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

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！

Netflix 级别的字幕切割、翻译、对齐，甚至配音，一键全自动 AI 视频字幕团队

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。

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

YuE：开放式全曲音乐生成基础模型，类似 Suno.ai 但开源

开源 AI 视频本地化工具：自动完成 YouTube/Bilibili 视频下载、字幕识别与翻译、语音克隆配音、音轨混合与字幕压缩。

MOSS‑TTS Family 是 MOSI.AI 与 OpenMOSS 团队开源的语音与声音生成模型族，设计用于高保真度、高表现力与复杂实际场景，涵盖稳定长篇语音、多说话者对话、声音/角色设计、环境音效与实时串流 TTS

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

来自 CAMB.AI 的 MARS5 语音模型 (TTS)

一款由 ggml 驱动的一体化纯 C++ 音频模型推理引擎。支持 TTS、STT、VAD、语音转换、音乐生成等功能，具备高度优化的性能，无 Python 依赖。

GPT-SoVITS ONNX 推理引擎与模型转换器

官方 MiniMax Model Context Protocol (MCP) 服务器，可与强大的文本转语音、图像生成和视频生成 API 进行交互。

适用于 Microsoft VibeVoice 文本转语音模型的完整 ComfyUI 集成，让您能在 ComfyUI 工作流程中直接进行高质量的单人与多人语音合成。

用于轻松合成人声的 Python/PyTorch 应用程序

自架强大的 Chatterbox TTS 模型。此服务器提供用户友好的 Web UI、灵活的 API 端点（包含兼容 OpenAI）、预定义语音、语音克隆，以及大型有声书规模的文本处理。可在 NVIDIA (CUDA)、AMD (ROCm) 和 CPU 上加速运行。

💎 适用于 ASR、TTS 及其他语音技术的无障碍语音语料库列表

双语集数的 AI Podcast 生成器，支持多语言，NotebookLLM 的替代方案；真人对话 AI 播客生成器，多语言，多音色

一个用于各种音频相关神经网络的 WebUI

基于 Flow Matching 且支持 Emoji 驱动风格控制的文本转语音模型

一个 ComfyUI 自定义节点集成套件，用于本地多引擎、多语言文本转语音与语音转换。支持：RVC、Echo-TTS、Qwen3-TTS、Cozy Voice 3、Step Audio EditX、IndexTTS-2、Chatterbox（经典与多语言）、F5-TTS、Higgs Audio 2、3 与 VibeVoice，具备无限文本长度、SRT 计时、角色支持及多种音频工具

适用于 Apple Silicon 的原生 LLM 推理服务器。兼容 OpenAI + Anthropic API。无 Python。包含带聊天、agent 模式和工具调用功能的 MLX Core macOS 应用。

AI 驱动的多语音有声书生成器 — LLM 脚本注解、语音复制、语音设计、LoRA 训练、逐行风格控制，以及导出为 MP3、分章 M4B 或 Audacity 多轨。基于 Qwen3-TTS 构建。

强大的 3B 参数、基于 LLM 的强化学习音频编辑模型，擅长编辑情感、说话风格与副语言学，并具备强大的零样本文本转语音功能

运行在安卓本地的轻量级文字转语音 (TTS) 引擎，支持离线发音人提取、零门槛音色克隆与双擎系统级全局听书。