#text-to-speech Repositories
Insgesamt 261 Repositories
Eine tolle Browser-Erweiterung, die Webseiteninhalte mit einem Klick vorliest
Leistungsstarke On-Device-KI-Inferenzbibliothek für React Native mit Fokus auf Datenschutz, angetrieben von PyTorchs ExecuTorch-Runtime
VOICEVOX-Sprachsynthese-Engine, eine kostenlos nutzbare Text-to-Speech-Software von mittlerer Qualität
Übersetzt den Text eines Videos automatisch anhand einer Untertiteldatei und verwendet dann KI-Sprachdienste, um eine neue synchronisierte und übersetzte Audiospur zu erstellen, bei der die Sprache mit den Zeitangaben der Untertitel synchronisiert wird.
Thema → 4K-Video mit Sprecher für Coding-Agenten. v5.3.0: lokales TTS (kostenloses Edge + Azure, keine externe Engine), manifestbasierte Asset-Engine, Remotion-Komposition, kostengesteuerte KI-Generierung, Bilibili/YouTube/Xiaohongshu/Douyin/WeChat-Kanäle
Speech Note Linux App. Notizen machen, lesen und übersetzen mit Offline-Spracherkennung (Speech to Text), Sprachausgabe (Text to Speech) und maschineller Übersetzung.
Talking Head (3D): Eine JavaScript-Klasse zur Echtzeit-Lippensynchronisation mithilfe von Ganzkörper-3D-Avataren.
VibeVoice: Expressive, Longform-Konversationssprachsynthese. (Community Fork)
Hochleistungs-LLM-Inferenzserver, kompatibel mit OpenAI und Anthropic, für Apple Silicon. Natives MLX, kontinuierliches Batching, multimodale Modelle, MCP-Toolaufrufe und Claude-Code-Unterstützung.
Ein auf Flow Matching basierendes Text-to-Speech-Modell mit emoji-gesteuerter Stilsteuerung
Unoffizieller Parallel WaveGAN (+ MelGAN & Multi-band MelGAN & HiFi-GAN & StyleMelGAN) mit PyTorch
Eine (Kurzvideo-)Erstellungs-Workstation, die Inhaltsplanung, automatische KI-Textgenerierung, automatische TTS-Massenvertonung, (KI-)Bildmaterial-Synthese, automatische ASR-Sprachuntertitelskript-Extraktion und KI-freie Kreation integriert. Praktisch für die Verwaltung jedes Videoprojekts.
AuK: Ein quelloffenes Grundlagenmodell für die Sprachgenerierung und -bearbeitung
Offizieller MiniMax Model Context Protocol (MCP) Server, der die Interaktion mit leistungsstarken Text-to-Speech-, Bildgenerierungs- und Videogenerierungs-APIs ermöglicht.
Eine umfassende ComfyUI-Integration für Microsofts VibeVoice Text-to-Speech-Modell, die hochwertige Einzel- und Mehrsprecher-Stimsynthese direkt in Ihren ComfyUI-Workflows ermöglicht.
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.
LLMs auf deinem Mac mit Apple Silicon fine-tunen. SFT, DPO, GRPO, Vision, TTS, STT, Embedding und OCR-Fine-Tuning — nativ auf MLX. Unsloth-kompatible API.
Eine Python/Pytorch-App zur einfachen Synthese menschlicher Stimmen
Ein mehrsprachiges Modell zur Synthese von Langformdialogen mit mehreren Sprechern, flexibler Sprechersteuerung und Zero-Shot-Stimmenklonung
🍦 Speech-AI-Forge ist ein Projekt, das um ein TTS-Generierungsmodell entwickelt wurde und einen API-Server sowie eine Gradio-basierte WebUI implementiert.
Erklärvideos und Produktdemos, erstellt von deinem KI-Agenten. Kostenlos und Open Source: Eine lokale Stimme (Kokoro), Wort-Timing (Whisper) und ein Canvas-Renderer verwandeln ein Skript in eine vertonte MP4-Datei.
💎 Eine Liste zugänglicher Sprachkorpora für ASR, TTS und andere SprachTechnologien
[ICASSP 2024] 🍵 Matcha-TTS: Eine schnelle TTS-Architektur mit bedingungsgesteuerter Flussanpassung
Open-Source-Android-Übersetzer für den Echtzeit-Bildschirm ohne Root, geeignet für Spiele, Visual Novels und Manga. Unterstützt On-Device- und Cloud-OCR, Offline-LLMs, mehrere Übersetzungsdienste, Bildschirmübersetzungen und Text-to-Speech (TTS).
Offline-Inferenz-Engine für Kunst, Echtzeit-Sprachgespräche, LLM-gestützte Chatbots und automatisierte Workflows
[ICLR 2025] Aktuelle SOTA-Modelle für diskrete akustische Codecs mit 40/75 Tokens pro Sekunde für Audio-Sprachmodellierung
KI-Sprach-Toolkit für Apple Silicon — ASR, TTS, Speech-to-Speech, VAD und Diarization, unterstützt von MLX und CoreML
StreamSpeech ist ein "All in One" nahtloses Modell für Offline- und gleichzeitige Spracherkennung, Sprachübersetzung und Sprachsynthese.
Eine ComfyUI-Custom-Node-Integration für lokale, Multi-Engine- und mehrsprachige Text-to-Speech- und Voice-Conversion-Funktionen. Unterstützt: RVC, Echo-TTS, Qwen3-TTS, Cozy Voice 3, Step Audio EditX, IndexTTS-2, Chatterbox (klassisch und mehrsprachig), F5-TTS, Higgs Audio 2, 3 und VibeVoice mit unbegrenzter Textlänge, SRT-Timing, Charakterunterstützung und vielen Audiotools.