#speech-synthesis Репозитории
Всего репозиториев: 101
Разместите мощную модель Chatterbox TTS на собственном сервере. Этот сервер предлагает удобный веб-интерфейс, гибкие конечные точки API (включая совместимые с OpenAI), предустановленные голоса, клонирование голоса и обработку текстов в масштабе больших аудиокниг. Ускоренная работа на NVIDIA (CUDA), AMD (ROCm) и CPU.
Многоязычная модель для синтеза длинноформатных диалогов с несколькими говорящими, гибким управлением говорящими и клонированием голоса в режиме zero-shot
Единое мультимодальное предварительное обучение речи и текста для обработки разговорной речи
💎 Список доступных речевых корпусов для ASR, TTS и других технологий речи
StreamSpeech — это универсальная(«All in One»)бесшовная модель для офлайн- и синхронного распознавания речи, голосового перевода и синтеза речи.
Ирина - русский голосовой ассистент для работы оффлайн. Поддерживает скиллы через плагины.
Ядро VOICEVOX — бесплатного программного обеспечения для преобразования текста в речь среднего качества
Быстрое и высококачественное преобразование текста в речь с нулевым выстрелом с помощью Flow Matching
Генератор аудиокниг с несколькими голосами на базе ИИ — аннотация сценариев LLM, клонирование голоса, дизайн голоса, обучение LoRA, управление стилем по строкам и экспорт в MP3, M4B с главами или многодорожечный Audacity. Построен на Qwen3-TTS.
YourTTS: На пути к Zero-Shot Multi-Speaker TTS и Zero-Shot Voice Conversion для всех
Сделайте естественные голоса Azure TTS доступными для любого приложения, совместимого с SAPI 5.
Говорящая LLM, которая работает на вашем собственном компьютере без необходимости доступа в Интернет.
DiffWave — это быстрый, высококачественный нейронный вокодер и синтезатор волновых форм.
Создание вирусных видео в один клик: 1. Автоматическое извлечение эталонных текстов 2. Автоматическое подражание текстам 3. Автоматическое клонирование голоса на основе текста 4. Автоматическая генерация озвучки цифровым аватаром 5. Автоматическое добавление субтитров 6. Автоматическое добавление фоновой музыки 7. Автоматическое добавление заголовков видео 8. Автоматическая генерация обложек видео 9. Автоматическая публикация видео на различных платформах
Confucius4-TTS: многоязычный и кросс-язычный движок синтеза речи (TTS) с нулевым обучением (zero-shot)
sanoTTS (सानो означает «маленький» на непальском): нейросетевая система синтеза речи с числом параметров от 294 тыс. до 2,27 млн, работающая на чипе за 3 доллара, в браузере или на Python и поддерживающая потоковую передачу с низкой задержкой.
Обертка на Python для высококачественного вокодера "World"
Vui Nano — небольшая контекстно-зависимая модель преобразования текста в речь, обученная на реальных разговорах. 219 млн активных параметров (305 млн всего), лицензия Apache 2.0, клонирование голоса и потоковая передача; работает на CPU (сборка на C без зависимостей). В комплект входит полноценный голосовой ассистент реального времени: WebRTC, ASR, локальная LLM и совместимость с OpenAI Realtime API.
Цель данного проекта — унифицировать способы использования различных движков синтеза речи, поддерживать несколько адаптеров для движков синтеза речи, позволяя использовать их напрямую в качестве модуля или запускать в виде серверной службы.
Thorsten-Voice: Бесплатная для использования, работающая оффлайн, высококачественная немецкая TTS-голос должна быть доступна для каждого проекта без каких-либо проблем с лицензиями.
Статьи INTERSPEECH 2023-2024: Полная коллекция влиятельных и захватывающих исследовательских статей с конференции INTERSPEECH 2023-24. Изучите последние достижения в области обработки речи и языка. Код включен. Отметьте репозиторий звездочкой, чтобы поддержать развитие речевых технологий!
Автоматическое ежедневное обновление статей Text-to-speech (TTS) с помощью Github Actions (Обновление каждые 12 часов)
Приложение Electron для синтеза речи на основе машинного обучения с голосами конкретных персонажей из видеоигр
Hojo-TTS-Light — это серия лёгких моделей генерации речи, разработанная HojoAI. В настоящее время она включает модели на 0,04B и 0,08B.
Агент интерактивного взаимодействия речь-в-речь высокого качества с потоковой передачей в одном файле. Прототип интеллектуального агента с потоковым полно-dуплексным голосовым взаимодействием, реализованный только в одном файле!
Реверс-инжиниринг контролируемого семантического токенизатора речи (S3Tokenizer), предложенного в CosyVoice
SummerTTS — это автономный проект синтеза речи (TTS) на китайском и английском языках, основанный на C++, который компилируется независимо. Он может работать локально без подключения к сети и не имеет дополнительных зависимостей. Достаточно однократной компиляции, чтобы использовать его для синтеза речи на китайском и английском языках.
Отслеживайте крупные модели в аудио домене, включая речь, пение, музыку и т.д.
StarGANv2-VC: Разнообразный, неконтролируемый, непараллельный фреймворк для естественно звучащей конвертации голоса
Синтез речи, распознавание речи и обнаружение речевой активности для голосового общения на C++ с использованием ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet и Silero VAD для Metal, Vulkan и CPU, с сервером, совместимым с OpenAI, и транскрибацией в реальном времени.
VibeVoiceFusion — это полнофункциональная веб-система для генерации речи с несколькими дикторами, поддерживающая тонкую настройку LoRA, пакетную генерацию и оптимизацию VRAM. Основана на VibeVoice от Microsoft (авторегрессионная архитектура + диффузия).