speech

🐸💬 - 用於文字轉語音的深度學習工具包，已在研究與生產環境中驗證

🚀在 5 秒內克隆聲音，實時產生任意語音

VoxCPM2：無需分詞器的多語言語音合成、創意語音設計與真實感克隆

WhisperX：具備單字層級時間戳記（及說話者分割）的自動語音辨識

🤗 最大的 AI 模型即用資料集中心，提供快速、易用且高效的資料操作工具

Grounded SAM：結合 Grounding DINO、Segment Anything、Stable Diffusion 與 Recognize Anything，自動偵測、分割與生成任意內容。

kaldi-asr/kaldi 是 Kaldi 專案的官方位置。

使用開源模型構建語音代理

AudioGPT：理解與生成語音、音樂、聲音與虛擬人物影像

Silero VAD：預訓練的企業級語音活動偵測器

ModelScope：將模型即服務（Model-as-a-Service）的概念落實。

EmotiVoice 😊：多聲音與提示控制的文字轉語音引擎

官方維護，由 PaddlePaddle 支援，涵蓋 CV、NLP、語音、推薦、時間序列、大模型等領域

💬 你網站的語音識別

Silero 模型：讓預訓練文字轉語音模型變得極度簡單

量化、核心、執行時與推論引擎，適用於行動裝置、穿戴裝置、智慧家庭與機器人。

基於 OpenAI Whisper 的自動語音識別與說話者分離

語音辨識轉文字工具 / 一個離線運行的本地音視頻轉字幕工具，輸出 json、srt 字幕、純文字格式

使用深度過濾的噪音抑制

一個快速的多模態 LLM，用於實時語音

一套 AI 驅動的語音處理工具包與開源 SOTA 預訓練模型，支援語音增強、分離與目標說話人提取等功能

面向人類般表達式TTS的基礎模型

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

🚀 精選 Python 腳本，從基礎到進階，包含自動化任務腳本

OpenAI Whisper ASR 網路服務 API

iOS 10 新 API 的程式碼範例。

基於 PyTorch 的音訊信號處理數據操作與轉換

Lingvo

aeneas 是一個 Python/C 函式庫與工具集，用於自動同步音訊與文字（即強制對齊）

支援字詞級時間戳記與信心度的多語言自動語音辨識