#speech-synthesis リポジトリ
リポジトリ合計101件
強力なChatterbox TTSモデルをセルフホストします。このサーバーは、ユーザーフレンドリーなWeb UI、柔軟なAPIエンドポイント(OpenAI互換を含む)、事前定義された音声、音声クローニング、および大規模なオーディオブック規模のテキスト処理を提供します。NVIDIA(CUDA)、AMD(ROCm)、およびCPUで高速実行されます。
AI駆動のマルチボイスオーディオブック生成器 — LLMスクリプト注釈、ボイスクローニング、ボイスデザイン、LoRAトレーニング、行ごとのスタイル制御、MP3、章付きM4B、またはAudacityマルチトラックへのエクスポート。Qwen3-TTSを基盤に構築。
ワンクリックでバズる動画を生成:1. ベンチマーク原稿の自動抽出 2. 原稿の自動模倣 3. 原稿に基づいた音声の自動クローン 4. デジタルヒューマンによる自動ナレーション生成 5. 字幕の自動追加 6. BGMの自動追加 7. 動画タイトルの自動追加 8. 動画カバーの自動生成 9. 各プラットフォームへの動画自動投稿
sanoTTS(सानो はネパール語で「小さい」の意味):29万4,000~227万パラメーターのニューラル音声合成システム。3ドルのチップ上、ブラウザー内、またはPythonで動作し、低遅延ストリーミングに対応します。
Vui Nano — 実際の会話で学習した、小型で文脈認識に対応する音声合成モデル。アクティブパラメータは2億1,900万(合計3億500万)、Apache 2.0、音声クローンとストリーミングに対応し、CPU上で動作します(依存関係のないCビルド)。完全なリアルタイム音声アシスタントを同梱:WebRTC、ASR、ローカルLLM、OpenAI Realtime API互換。
このプロジェクトの意図は、さまざまな音声合成エンジンの使用方法を統一し、複数の音声合成エンジンアダプターをサポートし、モジュールとして直接使用したり、バックエンドサービスを起動したりすることを可能にすることです。
Thorsten-Voice: ライセンスの悩みなく、すべてのプロジェクトで利用可能な、無料でオフライン動作する高品質なドイツ語TTSボイスが提供されるべきです。
INTERSPEECH 2023-2024 論文:INTERSPEECH 2023-24 会議からの影響力がありエキサイティングな研究論文の完全なコレクション。音声および言語処理の最新の進歩をご覧ください。コードが含まれています。音声技術の進歩をサポートするためにリポジトリをスターしてください!
高品質でストリーミング対応のSpeech-to-Speech対話エージェントを単一ファイルで。1つのファイルだけで実現したストリーミング全二重音声インタラクティブプロトタイプインテリジェントエージェント!
SummerTTS は、C++ベースのスタンドアロンな中国語および英語の音声合成(TTS)プロジェクトです。ネットワークや追加の依存関係が不要で、ローカルで実行可能であり、ワンクリックでビルドが完了すれば、中国語と英語の音声合成にすぐにご利用いただけます。
ggml 上の C++ による音声会話向けの音声合成、音声認識、音声活動検出:Metal、Vulkan、CPU で動作する Qwen3-TTS、Irodori-TTS、Qwen3-ASR、ReazonSpeech、parakeet、Silero VAD。OpenAI 互換サーバーとライブ文字起こしにも対応。
VibeVoiceFusionは、LoRAファインチューニング、一括生成、VRAM最適化を備えた、フルスタックのマルチスピーカー音声生成Webシステムです。MicrosoftのVibeVoice(自己回帰+拡散アーキテクチャ)をベースにしています。