#text-to-speech リポジトリ
リポジトリ合計261件
Kokoro-82Mのテキスト読み上げ用Docker化OpenAI互換ラッパー。CPU、AMDおよびNVIDIA GPU上のPyTorchにマルチプラットフォーム対応。複数話者、音声のクローン作成・調整、字幕タイムスタンプ、SSML、WebSocket、任意で利用できる音声に合わせて読むためのWeb UIを搭載
自律型でコンテキストを認識するAIデスクトップコンパニオン。Pythonで開発され、リアルタイムの画面認識、カスタムONNX音声合成、アクティブウィンドウの追跡、反応に応じて表情が変化する動的なフローティングUIを備えています。
ggmlを搭載した、オールインワンの純粋なC++オーディオモデル推論エンジン。TTS、STT、VAD、音声変換、音楽生成などをサポートし、高度に最適化されたパフォーマンスを実現。Python依存なし。
:stuck_out_tongue_closed_eyes: TensorFlowTTS: Tensorflow 2 のリアルタイム最先端音声合成(英語、フランス語、韓国語、中国語、ドイツ語を含む、その他の言語にも容易に適応可能)
即時音声クローン対応のベトナム語TTS • デバイス上で実行 • CPUによるリアルタイム推論 • 48kHzの音声品質 • ベトナム語の音声合成 • ベトナム語のテキスト読み上げ • ベトナム語TTS
デジタルアバター会話システム - Linly-Talker。😄✨ Linly-Talkerは、大規模言語モデル(LLM)とビジョンモデルを組み合わせて、新しい人間とAIのインタラクション方法を作成するインテリジェントAIシステムです。🤝🤖 Whisper、Linly、Microsoft Speech Services、SadTalkerトーキングヘッド生成システムなどのさまざまなテクノロジーを統合しています。🌟🔬
ACE-Step、OmniVoice、Kimi Audio、Piper TTS、GPT-SoVITS、CosyVoice、XTTSv2、DIA、Kokoro、OpenVoice、ParlerTTS、Stable Audio、MMS、StyleTTS2、MAGNet、AudioGen、MusicGen、Tortoise、RVC、Vocos、Demucs、SeamlessM4T、Bark用の拡張機能付きの単一Gradio + React WebUI!
[AutoArk] GPA (General Purpose Audio) は、たった一つの小さなモデルで ASR(音声認識)、TTS(音声合成)、音声変換を実現します!
Claude Codeで動画を作成:スクリプト、AIナレーション、音楽、動画クリップの作成からレンダリングまで。オープンソースモデルを使って、わずか数セントで実現
🚀 ワンクリックデプロイ(オフライン統合パック付き)!ChatTTSベースで、ストリーミング出力、ボイスガチャ、長尺オーディオ生成、ロール別読み上げをサポート。使いやすく、複雑なインストールは不要です。
AllTalkはCoqui TTSエンジンに基づいており、Text generation webUIのCoqui_tts拡張機能と似ていますが、設定ページ、低VRAMサポート、DeepSpeed、ナレーター、モデルファインチューニング、カスタムモデル、wavファイルメンテナンスなどのさまざまな高度な機能をサポートしています。JSON呼び出しを介してサードパーティソフトウェアと連携することもできます。
macOSとWindowsに対応した、オープンソースのローカルAIオーディオ&音楽スタジオ。音声合成、声のクローン、歌詞付きの楽曲、マルチトラック譜面に対応。完全オフラインで、API料金も不要。
VALL-E(ゼロショット テキスト読み上げ)の PyTorch 実装、再現デモ https://lifeiteng.github.io/valle/index.html
Windows、Linux、macOS 向けのポータブルなローカル AI スタジオ。画像生成、GGUF LLM、テキスト読み上げ、音声認識に対応したセットアップ不要の GUI