#speech-synthesis Repositórios
101 repositórios no total
Hospede você mesmo o poderoso modelo Chatterbox TTS. Este servidor oferece uma interface web amigável, endpoints de API flexíveis (incluindo compatibilidade com OpenAI), vozes predefinidas, clonagem de voz e processamento de texto em grande escala para audiolivros. É executado acelerado em NVIDIA (CUDA), AMD (ROCm) e CPU.
Um modelo multilíngue para a síntese de diálogos longos com múltiplos falantes, com controle flexível dos falantes e clonagem de voz zero-shot
Pré-treinamento Unificado de Fala-Texto para Processamento de Linguagem Falada
💎 Uma lista de corpora de fala acessíveis para ASR, TTS e outras Tecnologias de Fala
StreamSpeech é um modelo contínuo "tudo em um" para reconhecimento de fala offline e simultâneo, tradução de fala e síntese de fala.
Irina é um assistente de voz russo para trabalho offline. Suporta habilidades através de plugins.
Núcleo do VOICEVOX, um software de conversão de texto em fala de qualidade média e gratuito.
Gerador de audiolivros multi-voz impulsionado por IA — anotação de scripts LLM, clonagem de voz, design de voz, treinamento LoRA, controle de estilo por linha e exportação para MP3, M4B com capítulos ou trilhas múltiplas do Audacity. Construído sobre Qwen3-TTS.
AutoVC: Transferência de Estilo de Voz Zero-Shot Apenas com Perda de Autoencoder
YourTTS: Rumo ao TTS de Múltiplos Falantes Zero-Shot e Conversão de Voz Zero-Shot para todos
Torne as vozes TTS naturais do Azure acessíveis a qualquer aplicação compatível com SAPI 5.
Um LLM falante que roda no seu próprio computador sem precisar de internet.
DiffWave é um vocoder neural e sintetizador de forma de onda rápido e de alta qualidade.
Produza vídeos de sucesso com um clique: 1. Extraia automaticamente legendas de concorrentes 2. Reescreva legendas automaticamente 3. Clone a voz da legenda automaticamente 4. Gere locução de avatar digital automaticamente 5. Adicione legendas automaticamente 6. Adicione música de fundo automaticamente 7. Adicione títulos de vídeo automaticamente 8. Gere capas de vídeo automaticamente 9. Publique vídeos em várias plataformas automaticamente
Confucius4-TTS: um motor de síntese de voz (TTS) multilingue e translingue zero-shot
sanoTTS (सानो significa «pequeno» em nepalês): um sistema neural de conversão de texto em fala com entre 294 mil e 2,27 milhões de parâmetros, que funciona em um chip de US$ 3, no navegador ou em Python, com streaming de baixa latência.
Um invólucro Python para o vocoder de alta qualidade "World"
Vui Nano — um modelo pequeno de conversão de texto em fala, sensível ao contexto e treinado em conversas reais. 219 milhões de parâmetros ativos (305 milhões no total), Apache 2.0, clonagem de voz e streaming; funciona em CPU (build em C sem dependências). Inclui um assistente de voz completo em tempo real: WebRTC, ASR, LLM local e compatibilidade com a API Realtime da OpenAI.
O objetivo deste projeto é unificar a forma de utilizar diversos motores de síntese de voz, oferecendo suporte a múltiplos adaptadores de motores de síntese de voz, e permitindo o uso direto como módulo ou o lançamento de um serviço de backend.
Thorsten-Voice: Uma voz TTS alemã gratuita, que funciona offline e de alta qualidade, deve estar disponível para todos os projetos sem qualquer problema de licenciamento.
Avaliação automática unificada de qualidade para fala, música e som.
Artigos INTERSPEECH 2023-2024: Uma coleção completa de artigos de pesquisa influentes e empolgantes da conferência INTERSPEECH 2023-24. Explore os mais recentes avanços no processamento de fala e linguagem. Código incluído. Dê uma estrela ao repositório para apoiar o avanço da tecnologia de fala!
Atualizar Automaticamente Artigos de Texto para Fala (TTS) Diariamente usando Github Actions (Atualização a cada 12 horas)
Aplicativo Electron de síntese de fala baseado em aprendizado de máquina, com vozes de personagens específicos de videogames
Hojo-TTS-Light é uma série de modelos leves de geração de fala desenvolvida pela HojoAI, que atualmente inclui modelos de 0,04B e 0,08B.
Agente interativo de fala para fala de alta qualidade e streaming em um único arquivo. Protótipo de agente inteligente de interação de voz full-duplex em streaming implementado apenas com um arquivo!
Reverse Engineering do tokenizador semântico de fala supervisionado (S3Tokenizer) proposto no CosyVoice
SummerTTS é um projeto de síntese de voz (TTS) autônomo baseado em C++ para chinês e inglês. Ele é compilado de forma independente, pode ser executado localmente sem necessidade de rede e não possui dependências adicionais. Uma vez concluída a compilação com um único clique, ele está pronto para ser usado na síntese de voz em chinês e inglês.
Acompanhe os grandes modelos no domínio de áudio, incluindo fala, canto, música, etc.
StarGANv2-VC: Uma Estrutura Diversificada, Não Supervisionada e Não Paralela para Conversão de Voz com Som Natural
Síntese de voz, reconhecimento de fala e detecção de atividade de voz para conversas por voz, em C++ com ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet e Silero VAD em Metal, Vulkan e CPU, com um servidor compatível com OpenAI e transcrição em tempo real.
VibeVoiceFusion é um sistema web full-stack de geração de voz com vários locutores, com ajuste fino LoRA, geração em lote e otimização de VRAM. Baseado no VibeVoice da Microsoft (arquitetura autorregressiva + difusão).