voice-cloning

1 分鐘的語音資料也能用來訓練高品質的 TTS 模型！（少量樣本語音克隆）

在 5 秒內克隆聲音，實時產生任意語音

🐸💬 - 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

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

多語言大型語音生成模型，提供推論、訓練與部署全端能力

將電子書轉為有聲書，支援語音克隆與 1158 種以上語言！

Netflix 級別的字幕切割、翻譯、對齊，甚至配音，一鍵全自動 AI 影片字幕團隊

VoiceStudio 是開源、完全本地化的 ElevenLabs 替代方案——支援 646 種語言的語音克隆、語音設計、影片配音、口述、轉錄與有聲書製作。

Gradio WebUI 為創作者與開發者提供關鍵 TTS（Edge‑TTS、kokoro）與零樣本語音克隆（E2 & F5‑TTS、CosyVoice），並支援 Whisper 音訊處理、YouTube 下載、Demucs 人聲分離與多語言翻譯

易用的語音工具包，包含自監督學習模型、SOTA/串流 ASR（含標點）、串流 TTS（含文字前端）、說話者驗證系統、端到端語音翻譯與關鍵詞偵測。榮獲 NAACL2022 最佳示範獎

YuE：開放式全曲音樂生成基礎模型，類似 Suno.ai 但開源

開源 AI 視頻本地化工具：自動完成 YouTube/Bilibili 視頻下載、字幕識別與翻譯、語音克隆配音、音軌混合與字幕壓縮。

MOSS‑TTS Family 是 MOSI.AI 與 OpenMOSS 團隊開源的語音與聲音生成模型族，設計用於高保真度、高表現力與複雜實際場景，涵蓋穩定長篇語音、多說話者對話、聲音/角色設計、環境音效與即時串流 TTS

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

來自 CAMB.AI 的 MARS5 語音模型 (TTS)

一款由 ggml 驅動的一體化純 C++ 音訊模型推理引擎。支援 TTS、STT、VAD、語音轉換、音樂生成等功能，具備高度優化的效能，無需依賴 Python。

GPT-SoVITS ONNX 推理引擎與模型轉換器

官方 MiniMax Model Context Protocol (MCP) 伺服器，可與強大的文字轉語音、影像生成和影片生成 API 進行互動。

適用於 Microsoft VibeVoice 文字轉語音模型的完整 ComfyUI 整合，讓您能在 ComfyUI 工作流程中直接進行高品質的單人與多人語音合成。

用於輕鬆合成人聲的 Python/PyTorch 應用程式

自架強大的 Chatterbox TTS 模型。此伺服器提供使用者友善的 Web UI、靈活的 API 端點（包含相容 OpenAI）、預定義語音、語音複製，以及大型有聲書規模的文字處理。可在 NVIDIA (CUDA)、AMD (ROCm) 和 CPU 上加速執行。

💎 適用於 ASR、TTS 及其他語音技術的無障礙語音語料庫清單

雙語集數的 AI Podcast 生成器，支援多語言，NotebookLLM 的替代方案；真人對話 AI 播客生成器，多語言，多音色

一個用於各種音訊相關神經網路的 WebUI

基於 Flow Matching 且支援 Emoji 驅動風格控制的文字轉語音模型

一個 ComfyUI 自訂節點整合套件，用於本機多引擎、多語言文字轉語音與語音轉換。支援：RVC、Echo-TTS、Qwen3-TTS、Cozy Voice 3、Step Audio EditX、IndexTTS-2、Chatterbox（經典與多語言）、F5-TTS、Higgs Audio 2、3 與 VibeVoice，具備無限文字長度、SRT 計時、角色支援及多種音訊工具

適用於 Apple Silicon 的原生 LLM 推論伺服器。相容 OpenAI + Anthropic API。無須 Python。包含具備聊天、agent 模式與工具呼叫功能的 MLX Core macOS 應用程式。

AI 驅動的多語音有聲書產生器 — LLM 腳本註解、語音複製、語音設計、LoRA 訓練、逐行風格控制，以及匯出為 MP3、分章 M4B 或 Audacity 多軌。基於 Qwen3-TTS 構建。

強大的 3B 參數、基於 LLM 的強化學習音訊編輯模型，擅長編輯情感、說話風格與副語言學，並具備強大的零樣本文字轉語音功能

執行於 Android 本地的輕量級文字轉語音 (TTS) 引擎，支援無縫的系統級全域語音複製與高傳真文字朗讀。