#speech-synthesis 仓库
共 101 个仓库
自托管功能强大的Chatterbox TTS模型。该服务器提供用户友好的Web UI,灵活的API端点(包括兼容OpenAI的端点),预设语音,语音克隆以及大规模有声读物级别的文本处理。可在NVIDIA(CUDA)、AMD(ROCm)和CPU上加速运行。
AI驱动的多声音有声书生成器 — LLM脚本标注、声音克隆、声音设计、LoRA训练、逐行风格控制,并导出为MP3、分章M4B或Audacity多轨。基于Qwen3-TTS构建。
一键产出爆款视频:1.自动提取对标文案 2.自动进行文案仿写 3.自动根据文案声音克隆 4.自动生成数字人口播 5.自动添加字幕 6.自动添加背景音乐 7.自动添加视频标题 8.自动生成视频封面 9.自动将视频发布到各平台
sanoTTS(सानो 在尼泊尔语中意为“小”):一款拥有 29.4 万至 227 万参数的神经网络文本转语音系统,可在售价 3 美元的芯片上、浏览器中或 Python 中运行,并支持低延迟流式传输。
Vui Nano——一个在真实对话上训练的小型上下文感知文本转语音模型。219M 活跃参数(总计 305M),采用 Apache 2.0 许可证,支持声音克隆和流式处理,可在 CPU 上运行(无依赖的 C 构建版本)。随附完整的实时语音助手:支持 WebRTC、ASR、本地 LLM,并兼容 OpenAI Realtime API。
INTERSPEECH 2023-2024 论文:INTERSPEECH 2023-24 会议的完整、有影响力和激动人心的研究论文集。探索语音和语言处理领域的最新进展。包含代码。请 Star 该仓库以支持语音技术的发展!
SummerTTS 是一个基于 C++ 的独立语音合成项目,专为中文和英文设计。它无需网络、没有额外依赖,支持本地运行,用户只需一键编译即可用于中英文语音合成。
基于 ggml 的 C++ 语音对话解决方案,支持语音合成、语音识别和语音活动检测:Qwen3-TTS、Irodori-TTS、Qwen3-ASR、ReazonSpeech、parakeet 和 Silero VAD,可运行于 Metal、Vulkan 和 CPU,并提供兼容 OpenAI 的服务器及实时转录功能。
VibeVoiceFusion 是一个全栈多说话人语音生成 Web 系统,支持 LoRA 微调、批量生成和 VRAM 优化。基于微软的 VibeVoice(自回归 + 扩散架构)。