#speech-synthesis Repositorios
101 repositorios en total
Autoalberga el potente modelo Chatterbox TTS. Este servidor ofrece una interfaz web fácil de usar, puntos finales de API flexibles (incluida la compatibilidad con OpenAI), voces predefinidas, clonación de voz y procesamiento de texto a gran escala al nivel de audiolibros. Se ejecuta acelerado en NVIDIA (CUDA), AMD (ROCm) y CPU.
Un modelo multilingüe para la síntesis de diálogos extensos y con múltiples hablantes, con control flexible de los hablantes y clonación de voz de cero disparos
Preentrenamiento unificado unimodal de voz y texto para el procesamiento del lenguaje hablado
💎 Una lista de corpora de voz accesibles para ASR, TTS y otras tecnologías de voz
StreamSpeech es un modelo "todo en uno" sin interrupciones para el reconocimiento de voz, la traducción de voz y la síntesis de voz sin conexión y simultánea.
Irina es un asistente de voz ruso para trabajar sin conexión. Admite habilidades a través de complementos.
El núcleo de VOICEVOX, un software de texto a voz de calidad media utilizable de forma gratuita
Generador de audiolibros multi-voz impulsado por IA — anotación de guiones LLM, clonación de voz, diseño de voz, entrenamiento LoRA, control de estilo por línea y exportación a MP3, M4B con capítulos o pistas múltiples de Audacity. Construido sobre Qwen3-TTS.
AutoVC: Transferencia de estilo de voz zero-shot solo con pérdida de autoencoder
YourTTS: Hacia TTS multi-voz en modo zero-shot y conversión de voz en modo zero-shot para todos
Haga que las voces TTS naturales de Azure sean accesibles para cualquier aplicación compatible con SAPI 5.
Un LLM parlante que se ejecuta en su propia computadora sin necesidad de internet.
DiffWave es un vocoder neuronal y sintetizador de formas de onda rápido y de alta calidad.
Producción de videos virales con un clic: 1. Extracción automática de textos de referencia 2. Imitación automática de textos 3. Clonación automática de voz basada en el texto 4. Generación automática de narración por presentador digital 5. Adición automática de subtítulos 6. Adición automática de música de fondo 7. Adición automática de títulos de video 8. Generación automática de portadas de video 9. Publicación automática de videos en varias plataformas
Confucius4-TTS: un motor de síntesis de voz (TTS) multilingüe y translingüe de disparo cero (zero-shot)
sanoTTS (सानो significa «pequeño» en nepalí): un sistema neuronal de texto a voz con entre 294 mil y 2,27 millones de parámetros, que funciona en un chip de 3 dólares, en el navegador o en Python, con transmisión de baja latencia.
Un envoltorio de Python para el vocoder de alta calidad "World"
Vui Nano — un pequeño modelo de texto a voz consciente del contexto, entrenado con conversaciones reales. 219 millones de parámetros activos (305 millones en total), Apache 2.0, clonación de voz y transmisión en tiempo real; funciona en CPU (compilación en C sin dependencias). Incluye un asistente de voz completo en tiempo real: WebRTC, ASR, LLM local y compatibilidad con la API Realtime de OpenAI.
La intención de este proyecto es unificar la forma de utilizar varios motores de síntesis de voz, admitir múltiples adaptadores de síntesis de voz y permitir su uso directo como módulo o el inicio de un servicio backend.
Thorsten-Voice: Una voz TTS alemana de alta calidad, gratuita para usar y que funciona sin conexión, debería estar disponible para cada proyecto sin problemas de licencias.
Evaluación automática unificada de la calidad para voz, música y sonido.
Artículos INTERSPEECH 2023-2024: Una colección completa de investigaciones influyentes y emocionantes de la conferencia INTERSPEECH 2023-24. Explore los últimos avances en el procesamiento del habla y el lenguaje. Código incluido. ¡Estrella el repositorio para apoyar el avance de la tecnología del habla!
Actualización automática diaria de trabajos de Texto a Voz (TTS) usando Github Actions (Actualización cada 12 horas)
Aplicación Electron de síntesis de voz basada en aprendizaje automático, con voces de personajes específicos de videojuegos
Hojo-TTS-Light es una serie de modelos ligeros de generación de voz desarrollada por HojoAI, que actualmente incluye modelos de 0,04B y 0,08B.
Agente interactivo de voz a voz de alta calidad y en streaming en un solo archivo. ¡Prototipo de agente inteligente de interacción de voz en streaming full-duplex implementado solo con un archivo!
Ingeniería inversa del tokenizador semántico de habla supervisado (S3Tokenizer) propuesto en CosyVoice
SummerTTS es un proyecto de síntesis de voz (TTS) independiente basado en C++ para chino e inglés. Puede ejecutarse localmente sin necesidad de conexión a internet ni dependencias adicionales. Una vez completada la compilación con un solo clic, está listo para ser utilizado en la síntesis de voz en chino e inglés.
Mantenga un registro de los grandes modelos en el dominio del audio, incluyendo voz, canto, música, etc.
StarGANv2-VC: Un marco diverso, no supervisado y no paralelo para la conversión de voz de sonido natural
Síntesis de voz, reconocimiento de voz y detección de actividad vocal para conversaciones por voz, en C++ sobre ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet y Silero VAD en Metal, Vulkan y la CPU, con un servidor compatible con OpenAI y transcripción en tiempo real.
VibeVoiceFusion es un sistema web de generación de voz multiusuario de pila completa que ofrece ajuste fino con LoRA, generación por lotes y optimización de VRAM. Basado en VibeVoice de Microsoft (arquitectura autorregresiva + de difusión).