#speech-synthesis Repositories
Insgesamt 101 Repositories
Hosten Sie das leistungsstarke Chatterbox TTS-Modell selbst. Dieser Server bietet eine benutzerfreundliche Weboberfläche, flexible API-Endpunkte (inkl. OpenAI-kompatibel), vordefinierte Stimmen, Stimmklonen und die Verarbeitung großer Textmengen im Hörbuchformat. Läuft beschleunigt auf NVIDIA (CUDA), AMD (ROCm) und CPU.
Ein mehrsprachiges Modell zur Synthese von Langformdialogen mit mehreren Sprechern, flexibler Sprechersteuerung und Zero-Shot-Stimmenklonung
💎 Eine Liste zugänglicher Sprachkorpora für ASR, TTS und andere SprachTechnologien
StreamSpeech ist ein "All in One" nahtloses Modell für Offline- und gleichzeitige Spracherkennung, Sprachübersetzung und Sprachsynthese.
Irina ist ein russischer Sprachassistent für die Offline-Arbeit. Unterstützt Skills über Plugins.
Der Kern der kostenlosen Text-to-Speech-Software mittlerer Qualität, VOICEVOX
KI-gestützter Multi-Voice-Hörbuch-Generator — LLM-Skript-Anmerkung, Voice-Cloning, Voice-Design, LoRA-Training, zeilenweiser Stil-Steuerung und Export nach MP3, kapitelweisem M4B oder Audacity-Multi-Track. Basierend auf Qwen3-TTS.
YourTTS: Auf dem Weg zu Zero-Shot Multi-Speaker TTS und Zero-Shot Voice Conversion für jedermann
Ermöglichen Sie beliebigen SAPI 5-kompatiblen Anwendungen den Zugriff auf Azure Natural TTS-Stimmen.
Ein sprechendes LLM, das auf Ihrem eigenen Computer läuft, ohne dass das Internet benötigt wird.
DiffWave ist ein schneller, hochwertiger neuronaler Vocoder und Wellenformsynthesizer.
Erstellung von Trendvideos mit einem Klick: 1. Automatische Extraktion von Vergleichstexten 2. Automatische Nachahmung von Texten 3. Automatische Klonung von Stimmen basierend auf Texten 4. Automatische Generierung von digitalen Sprecheransagen 5. Automatische Untertitelerstellung 6. Automatische Hinzufügung von Hintergrundmusik 7. Automatische Hinzufügung von Videotiteln 8. Automatische Generierung von Videoselbstporträts 9. Automatische Veröffentlichung von Videos auf verschiedenen Plattformen
Confucius4-TTS: Eine mehrsprachige und sprachübergreifende Zero-Shot-TTS-Engine
sanoTTS (सानो bedeutet auf Nepalesisch „klein“): ein neuronales Text-to-Speech-System mit 294.000 bis 2,27 Millionen Parametern, das auf einem 3-Dollar-Chip, im Browser oder in Python läuft und Streaming mit geringer Latenz bietet.
Ein Python-Wrapper für den hochwertigen Vocoder "World"
Vui Nano – ein kleines, kontextbewusstes Text-to-Speech-Modell, das mit echten Gesprächen trainiert wurde. 219 Mio. aktive Parameter (305 Mio. insgesamt), Apache 2.0, Sprachklonung und Streaming; läuft auf der CPU (abhängigkeitsfreier C-Build). Enthält einen vollständigen Echtzeit-Sprachassistenten: WebRTC, ASR, lokales LLM und Kompatibilität mit der OpenAI Realtime API.
Ziel des Projekts ist es, die Nutzung verschiedener Sprachsynthese-Engines zu vereinheitlichen, mehrere Adapter für Sprachsynthese-Engines zu unterstützen und die direkte Verwendung als Modul oder den Start eines Backend-Dienstes zu ermöglichen.
Thorsten-Voice: Eine kostenlos nutzbare, offline arbeitende, hochwertige deutsche TTS-Stimme sollte für jedes Projekt ohne Lizenzprobleme verfügbar sein.
Einheitliche automatische Qualitätsbewertung für Sprache, Musik und Geräusche.
INTERSPEECH 2023-2024 Paper: Eine vollständige Sammlung einflussreicher und spannender Forschungsarbeiten von der INTERSPEECH 2023-24 Konferenz. Entdecken Sie die neuesten Fortschritte in der Sprach- und Sprachverarbeitung. Code enthalten. Sternen Sie das Repository, um die Weiterentwicklung der Sprachtechnologie zu unterstützen!
Automatische Aktualisierung von Text-to-Speech (TTS)-Papieren täglich mit Github Actions (Aktualisierung alle 12 Stunden)
Electron-App für maschinelles Lernen-basierte Sprachsynthese mit Stimmen spezifischer Charaktere aus Videospielen
Hojo-TTS-Light ist eine von HojoAI entwickelte Reihe leichtgewichtiger Sprachgenerierungsmodelle, die derzeit Modelle mit 0,04B und 0,08B umfasst.
Hochwertiger und streaming-fähiger Speech-to-Speech-interaktiver Agent in einer einzigen Datei. Prototyp eines intelligenten Agenten für streaming-basiertes Full-Duplex-Sprachinteraktionssystem, implementiert in nur einer Datei!
Reverse Engineering des überwachten semantischen Sprachtokenizers (S3Tokenizer), der in CosyVoice vorgeschlagen wurde
SummerTTS ist ein auf C++ basierendes, eigenständig kompiliertes Projekt zur chinesischen und englischen Sprachsynthese (TTS). Es kann lokal ohne Netzwerk oder zusätzliche Abhängigkeiten ausgeführt werden und ist nach der einmaligen Kompilierung sofort für die Sprachsynthese in Chinesisch und Englisch einsatzbereit.
Behalten Sie große Modelle im Audiobereich im Auge, einschließlich Sprache, Gesang, Musik usw.
StarGANv2-VC: Ein diverses, unüberwachtes, nicht-paralleles Framework für natürlich klingende Stimmumwandlung
Sprachsynthese, Spracherkennung und Sprachaktivitätserkennung für Sprachkonversationen in C++ auf ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet und Silero VAD auf Metal, Vulkan und der CPU, mit einem OpenAI-kompatiblen Server und Live-Transkription.
VibeVoiceFusion ist ein Full-Stack-Websystem zur Sprachgenerierung mit mehreren Sprechern und bietet LoRA-Feinabstimmung, Batch-Generierung und VRAM-Optimierung. Es basiert auf Microsofts VibeVoice (AR- + Diffusionsarchitektur).