speech-synthesis 第 2 页
本站收录 247 个带「speech-synthesis」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 5 页）
StreamSpeechStreamSpeech 是一个“一体化”的无缝语音模型，同时支持离线与同声传译场景下的语音识别（ASR）、语音翻译和语音合成。它解决了传统级联系统延迟高、错误★ 1,294
Irene-Voice-AssistantIrene-Voice-Assistant 是一个用 Python 编写的俄语离线语音助手，名为伊琳娜。它旨在解决用户在无网络环境下使用语音交互的需求，核心能力★ 1,159
AI-Waifu-VtuberAI-Waifu-Vtuber 是一个面向直播场景的开源虚拟主播解决方案，旨在让创作者通过 AI 驱动的二次元角色在 YouTube 或 Twitch 上实时互★ 1,119
alexandria-audiobookAlexandria 是一个基于 AI 的多角色有声书生成器，解决传统 TTS 只能单一音色、缺乏情感和角色区分的问题。它利用 LLM 对书籍文本进行脚本标注，★ 1,073
YourTTSYourTTS 是一个面向所有人的零样本多说话人文本转语音（TTS）和零样本语音转换（VC）开源项目。它基于 VITS 架构，通过引入说话人编码器，能够在训练时★ 1,052
Cognitive-Speech-TTS这是微软官方提供的文本转语音（TTS）示例代码集，涵盖多种编程语言，属于Azure认知服务的一部分。它主要解决开发者快速接入微软神经TTS能力的问题，包括标准语★ 1,016
NATSpeechNATSpeech 是一个非自回归语音合成（NAR-TTS）框架，基于 PyTorch 实现，集成了 PortaSpeech（NeurIPS 2021）和 Di★ 1,004
NaturalVoiceSAPIAdapterNaturalVoiceSAPIAdapter 是一个将微软 Azure 神经网络 TTS 声音桥接到 SAPI 5 接口的适配器。它解决了传统 SAPI 5 ★ 979
NISQANISQA是一个基于深度学习的非侵入式语音质量与TTS自然度评估工具。它解决了传统语音质量评估需要原始参考信号（侵入式）的问题，能够在无参考的情况下，仅凭待测语★ 978
athenaAthena 是一个基于序列到序列（seq2seq）架构的开源语音处理引擎，专注于语音识别（ASR）和语音合成（TTS）两大核心任务。它采用 C++ 实现，提供★ 965
FireRedTTSFireRedTTS 是一个基于大语言模型（LLM）的开源语音合成（TTS）系统，旨在提供高质量、自然且可控的文本到语音生成能力。它结合了语言模型、扩散模型、流★ 924
local-talking-llm这是一个完全本地运行的语音对话助手，无需联网即可与大型语言模型进行语音交互。它解决了云端语音助手依赖网络、隐私易泄露的问题，将语音识别、大模型推理和语音合成全部★ 896
diffwaveDiffWave 是一个基于扩散概率模型的神经声码器与波形合成器，由 Google Brain 团队提出，用于从梅尔频谱等条件特征高效生成高质量语音波形。它解决★ 886
Multilingual_Text_to_Speech这是一个基于 Tacotron 2 的多语言文本转语音（TTS）实现，专注于支持多语言实验，包括参数共享、语码切换和声音克隆。项目解决了单一语言 TTS 模型无★ 843
Confucius4-TTSConfucius4-TTS 是一个多语言与跨语言零样本语音合成引擎，基于 PyTorch 构建。它解决的核心问题是：在无需针对特定说话人进行微调的情况下，用极★ 843
vuiVui 是一个实时语音助手框架，基于 WebRTC 流式传输，集成了 faster-whisper 语音识别、本地 LLM（如 Qwen）和 Vui Nano ★ 774
Thorsten-VoiceThorsten-Voice 是一个免费、离线可用的高质量德语文本转语音（TTS）语音项目。它旨在解决开发者在使用商业 TTS 服务时面临的许可限制和成本问题，★ 739
glow-ttsglow-tts 是一个基于生成流（Generative Flow）的文本转语音（TTS）开源项目，由蒙特利尔大学等机构的研究者提出。它通过单调对齐搜索（Mon★ 717
voice-buildervoice-builder 是一个开源的文本转语音（TTS）语音构建工具，基于 JavaScript 开发，整合了 festvox、NLP 和语音合成技术。它旨★ 687
vits2VITS2 是一个基于 PyTorch 的单阶段文本转语音（TTS）模型，旨在提升语音合成的质量和效率。它通过对抗学习和架构设计改进，解决了传统两阶段 TTS ★ 648
ParakeetParakeet 是百度 PaddlePaddle 生态下的并行语音合成工具包，旨在提供从文本到语音的完整训练与推理流程。它集成了多种主流 TTS 模型，包括自★ 627
tiktok-voicetiktok-voice 是一个简单的 Python 脚本，用于调用 TikTok 的文本转语音（TTS）API，将文字转换为语音音频。它解决了开发者需要快速、★ 611
CycleGAN-VC2CycleGAN-VC2 是一个基于 CycleGAN 的语音转换（Voice Conversion）开源项目，旨在实现无需平行语料的音色转换。它解决了传统语音★ 571
SummerTTSSummerTTS 是一个基于 C++ 的轻量级中英文语音合成（TTS）项目，主打独立编译和零依赖。它解决了传统 TTS 系统依赖复杂、部署困难的问题，用户只需★ 545
KAN-TTSKAN-TTS 是一个基于 Python 的语音合成训练框架，旨在简化 TTS 模型的开发与训练流程。它提供了从数据预处理到模型训练、推理的完整工具链，支持多说★ 529
aspeakaspeak 是一个基于 Rust 编写的极简命令行文本转语音（TTS）客户端，专门调用 Azure TTS API。它解决了开发者或普通用户在终端中快速将文本★ 497
VibeVoiceFusionVibeVoiceFusion 是一个基于微软 VibeVoice（自回归+扩散架构）的全栈多说话人语音合成 Web 系统。它主要解决自建 TTS 系统时面临的★ 495
Awesome-Singing-Voice-Synthesis-and-Singing-Voice-Conversion这是一个关于歌声合成（SVS）与歌声转换（SVC）的精选论文与项目列表，同时涵盖语音合成（TTS）、语音转换（VC）及相关领域（如音乐合成、自动音乐转录、MOS★ 492
audio-development-toolsAudio Development Tools (ADT) 是一个面向音频技术研发的开源项目，旨在整合声音、语音和音乐领域的开发工具链。它解决音频开发者缺乏统一★ 472
speech_datasetspeech_dataset 是一个面向语音识别（ASR）研究的中文语音数据集仓库，旨在为深度学习语音模型提供训练与评估所需的音频资源。项目整理了多种来源的语音★ 470
StyleTTSStyleTTS 是一个基于 PyTorch 的文本到语音（TTS）合成项目，通过风格迁移技术让合成语音具备多样化的情感和韵律表达。它解决了传统 TTS 系统语★ 468
dl-for-emo-tts这是一个关于情感语音合成（Emotional Text-to-Speech）的深度学习实验总结项目，以Jupyter Notebook形式呈现。项目记录了作者团★ 457
echogardenEchogarden 是一个跨平台的语音工具集，既可作为命令行工具使用，也可作为 Node.js 库集成。它整合了多种语音引擎，提供语音合成（TTS）、语音识别★ 453
FunCodecFunCodec 是一个面向研究的音频量化工具包，旨在为音频生成任务提供高效、灵活的神经编解码方案。它解决了音频信号在离散表示上的压缩与重建问题，使得文本到语音★ 449
speech-recognition-uk这是一个面向乌克兰语的开源语音识别与合成工具包，旨在解决乌克兰语在主流语音技术中支持不足的问题。项目基于Python构建，提供从语音到文本（STT）和文本到语音★ 441
Text2VideoText2Video 是一个基于 ICASSP 2022 论文的开源项目，实现文本驱动的说话人视频合成。它通过音素字典将输入文本转换为语音，并驱动人物头像生成与★ 438
ProDiffProDiff 是一个基于 PyTorch 实现的语音合成项目，对应 ACM-MM'22 论文，主打极速扩散式语音合成。它解决了传统扩散模型在语音合成中推理速度★ 432
FastDiffFastDiff 是一个基于 PyTorch 实现的快速音频生成模型，源自 IJCAI 2022 论文。它属于神经声码器（neural vocoder）类别，主★ 424
awesome-russian-speech这是一个精选俄罗斯语音技术资源的开源列表，汇集了语音识别（ASR）、语音合成（TTS）、文本转语音、字素到音素（G2P）转换等领域的工具、库、模型和论文链接。项★ 409
WaveGradWaveGrad 是 Google Brain 提出的高保真语音合成声码器（vocoder）的 PyTorch 非官方实现。它基于扩散概率模型（diffusio★ 408
Freeze-OmniFreeze-Omni 是一个智能且低延迟的语音到语音对话模型，其核心创新在于冻结大语言模型（LLM）参数，仅训练语音编码器和解码器，从而大幅降低训练成本并保持★ 402
audio.cpp-webuiaudio.cpp-webui 是一个基于 ggml 的纯 C++ 音频模型推理引擎，为 audio.cpp 提供全任务 WebUI。它支持语音合成（TTS）、★ 401
nnmnkwiinnmnkwii 是一个用于构建语音合成系统的 Python 库，专注于快速原型设计和实验。它提供了一套简洁的 API，封装了语音处理中的常见操作，如频谱特征提★ 399
Stream-OmniStream-Omni 是一个类似 GPT-4o 的多模态对话助手，能够同时处理文本、语音和视觉输入，并支持多种模态组合的交互。它解决了传统对话系统只能处理单一★ 393
VoiceFlow-TTSVoiceFlow-TTS 是 ICASSP 2024 官方开源的高效文本转语音（TTS）模型，基于修正流匹配（Rectified Flow Matching）★ 374
Dia-TTS-ServerDia-TTS-Server 是一个自托管的 Dia TTS 模型推理服务器，旨在解决高质量对话式语音合成部署复杂的问题。它基于 Python 和 FastAP★ 355
DiffGAN-TTSDiffGAN-TTS 是一个基于 PyTorch 的文本转语音（TTS）实现，核心思想是结合扩散模型（Diffusion）和生成对抗网络（GAN），在保证高保★ 351
MsEdgeTTSMsEdgeTTS 是一个基于 TypeScript 的轻量级文本转语音（TTS）模块，它巧妙地复用了 Microsoft Edge 浏览器内置的“大声朗读”功★ 345
rvc-tts-webuirvc-tts-webui 是一个基于 RVC（Retrieval-based Voice Conversion）和 edge-tts 的文本转语音 Gradi★ 344
PortaSpeechPortaSpeech 是一个基于 PyTorch 的非自回归文本转语音（TTS）实现，源自论文《PortaSpeech: Portable and High-★ 341