speech-synthesis 第 3 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 3 / 5 页）
voiceaivoiceai 是一个面向语音 AI 智能体开发者的精选资源集合，旨在帮助初学者和进阶者快速上手构建实时语音对话系统。它解决了语音 AI 领域资料分散、入门门槛★ 336
ultimate-rvcultimate-rvc 是一个基于检索式语音转换（RVC）的音频内容创作应用，主要用于生成歌曲翻唱和语音合成。它解决了普通用户难以训练和使用高质量语音模型的问★ 336
GenerSpeechGenerSpeech 是一个基于 PyTorch 实现的文本到语音（TTS）模型，源自 NeurIPS 2022 论文，专注于零样本风格迁移，即用未见过的自定★ 332
Comprehensive-Transformer-TTS这是一个基于非自回归Transformer的文本转语音（TTS）项目，集成了多种SOTA Transformer架构，并支持有监督和无监督两种时长建模方式。它解★ 327
Expressive-FastSpeech2Expressive-FastSpeech2 是一个基于 PyTorch 的非自回归表达性语音合成（TTS）开源项目，在 FastSpeech2 基础上扩展了情★ 323
VocGANVocGAN 是一个基于生成对抗网络（GAN）的高保真实时声码器，专为语音合成和文本转语音（TTS）系统设计。它解决的核心问题是传统声码器（如 WaveNet）★ 321
manim-voiceovermanim-voiceover 是一个专为 Manim 动画引擎设计的语音旁白插件，旨在解决数学动画视频制作中语音与画面同步困难的问题。它通过将文本转语音（TT★ 320
T5Gemma-TTST5Gemma-TTS 是一个基于 T5Gemma 编码器-解码器大语言模型的多语言语音合成项目，专注于语音克隆和时长控制。它利用先进的 LLM 架构，将文本输★ 313
NaomiNaomi 是一个开源、技术中立的平台，用于开发常驻后台、支持语音控制的应用程序。它主要面向个人助理和物联网场景，解决了从语音识别到意图处理再到动作执行的完整链★ 305
wavegradWaveGrad 是一个基于分数匹配的快速高质量神经声码器，由 Google Research 提出，用于从梅尔频谱图生成原始音频波形。它解决了传统神经声码器（★ 299
voicefixer_mainVoiceFixer 是一个通用的语音修复工具，旨在解决语音信号中的各种退化问题，如背景噪声、混响和低质量录音。它基于深度学习模型，能够将受损的语音恢复为清晰、★ 291
univnetUnivNet是一个基于GAN的神经网络声码器，用于从声学特征（如梅尔频谱）合成高质量语音波形。它由韩国团队提出，论文发表于2021年，本仓库是其非官方PyTo★ 287
MITSUHAMITSUHA 是一个开源的 AI 对话助手项目，主打多语言、低成本、高响应速度的虚拟形象交互。它通过 VTube Studio 为 AI 赋予虚拟身体，让用户★ 283
iSTFTNet-pytorchiSTFTNet-pytorch 是一个轻量级、快速的声码器（vocoder）实现，基于逆短时傅里叶变换（iSTFT）来加速 Mel 频谱图到波形的合成。它解决★ 281
Kitten-TTS-ServerKitten-TTS-Server 是一个自托管的轻量级文本转语音（TTS）API 服务器，基于 Kitten TTS 模型构建，提供直观的 Web 界面和 G★ 280
IntelliNodeIntelliNode 是一个面向 JavaScript 开发者的统一 AI 模型访问层，旨在解决多模型接入碎片化的问题。它通过一个统一的提示层，让开发者可以用★ 275
Chinese-FastSpeech2Chinese-FastSpeech2 是一个基于 FastSpeech2 的中文语音合成（TTS）开源项目。它针对中文发音特点，在标贝数据上继续训练，并引入了★ 275
ai_webuiai_webui 是一个面向 AI 创作场景的通用 Web 界面，旨在将图像、音频、视频等 AI 处理能力整合到统一的交互入口中。它解决了多模态 AI 工具分散★ 271
ttslearnttslearn 是一个面向 Python 学习者的语音合成（Text-to-Speech）教学库，由日本学者开发，配套书籍《Pythonで学ぶ音声合成》使用。★ 269
easy-speecheasy-speech 是一个基于 Web Speech API 的跨浏览器语音合成（TTS）库，零依赖，体积小巧。它解决了浏览器原生 speechSynthe★ 267
nix-ttsNix-TTS 是一个轻量级、端到端的文本转语音（TTS）开源项目，通过模块级蒸馏技术大幅压缩模型体积，同时保持高质量语音合成。它解决了传统 TTS 模型体积大★ 262
DailyTalkDailyTalk 是 ICASSP 2023 论文的官方实现，提供了一个面向对话场景的语音合成数据集和配套的非自回归 TTS 模型。它解决了传统 TTS 只能★ 262
HiFTNetHiFTNet 是一个基于神经网络的声码器（vocoder），用于将声学特征（如梅尔频谱）快速合成为高质量语音波形。它针对传统神经声码器推理速度慢的问题，提出结★ 262
voxtreamVoXtream 是一个全流式零样本文本转语音（TTS）模型，主打极低延迟和语速控制。它解决了传统 TTS 需要等待完整音频生成才能播放的问题，以及零样本克隆中★ 256
StyleSpeechStyleSpeech 是 Meta-StyleSpeech 和 StyleSpeech 论文的官方实现，专注于语音合成（TTS）中的风格控制。它解决的核心问题★ 254
Neural-Voice-Cloning-with-Few-Samples这是一个基于百度研究论文《Neural Voice Cloning with Few Samples》的Python实现，旨在用少量样本（甚至一句话）克隆目标说★ 254
ukrainian-ttsukrainian-tts 是一个基于 ESPnet 工具包的乌克兰语文本转语音（TTS）开源项目。它主要解决乌克兰语语音合成资源匮乏的问题，为开发者提供可训练★ 252
KokoroSharpKokoroSharp 是一个基于 C# 和 ONNX Runtime 的本地 TTS（文本转语音）推理引擎，专注于为 .NET 开发者提供即插即用的语音合成能★ 248
DiffSingerDiffSinger 是一个基于 PyTorch 的开源歌声合成（Singing Voice Synthesis）项目，核心思想是将浅层扩散机制（Shallow★ 247
piper-pluspiper-plus 是一个多语言神经语音合成（TTS）引擎，基于 VITS 模型并引入韵律增强，支持日语、英语、中文、西班牙语、法语、葡萄牙语等 6 种语言（★ 237
CrystalCrystal 是一个基于 C++ 实现的多语言文本转语音（TTS）合成引擎，以 SSML 规范作为统一接口。它旨在解决传统 TTS 系统碎片化、接口不统一的问★ 230
voicesmithVoiceSmith 是一个正在开发中的语音合成工具包，旨在简化文本到语音（TTS）模型的训练流程。它主要面向研究人员和开发者，解决了传统 TTS 训练中数据管★ 230
openai_tts这是一个为 Home Assistant 打造的自定义文本转语音（TTS）组件，利用 OpenAI 的语音合成引擎或任何兼容的 API 端点，为智能家居系统提供★ 221
Persian-tts-coquiPersian-tts-coqui 是一个面向波斯语/法尔西语的开源文本转语音（TTS）训练项目，基于 Coqui TTS 框架构建。它解决了波斯语语音合成领域★ 218
UEAzSpeechUEAzSpeech 是一个将 Azure 语音认知服务集成到虚幻引擎（Unreal Engine）中的插件。它解决了游戏和交互式应用开发中需要高质量语音识别与★ 215
CoMoSpeechCoMoSpeech 是南洋理工大学等机构在 ACM MM 2023 上提出的语音与歌声合成模型，基于一致性模型（Consistency Model）实现单步（★ 215
TensorVoxTensorVox 是一个用 C++ 编写的桌面端神经语音合成应用，专注于将文本实时转换为自然语音。它解决了传统 TTS 工具依赖云端、延迟高、集成复杂的问题，★ 214
MioTTS-InferenceMioTTS-Inference 是 MioTTS 的推理服务器，MioTTS 是一个基于大语言模型的轻量级、快速的文本转语音（TTS）模型。该项目旨在解决传统★ 205
XTTSv2-Finetuning-for-New-LanguagesXTTSv2-Finetuning-for-New-Languages 是一个针对 Coqui XTTS v2 模型进行多语言微调的开源工具，旨在让开发者能够为★ 204
hermes-speechhermes-speech 是一个为 Hermes Agent 设计的语音插件，同时提供 TTS（文本转语音）和 STT（语音转文本）能力。它解决的核心问题是：★ 203
SyntaSpeechSyntaSpeech 是一个语法感知的生成对抗式文本转语音（TTS）模型，发表于 IJCAI 2022。它针对传统 TTS 模型忽略文本句法结构、导致合成语音★ 201
StyleSpeechStyleSpeech 是 Meta-StyleSpeech 的 PyTorch 非官方实现，旨在解决多说话人自适应文本转语音（TTS）中需要大量参考音频的问题★ 198
speech.cppspeech.cpp 是一个基于 ggml 的 C++ 语音全栈工具库，把语音合成、语音识别和语音活动检测（VAD）整合到同一套推理框架中。它支持 Qwen3-★ 195
Cross-Speaker-Emotion-Transfer这是一个基于PyTorch实现的跨说话人情感迁移语音合成项目，源自字节跳动的研究成果。它解决的核心问题是：在文本到语音（TTS）合成中，如何让一个说话人的声音表★ 193
Parallel-Tacotron2Parallel-Tacotron2 是 Google Parallel Tacotron 2 的 PyTorch 非官方实现，旨在解决传统自回归 TTS 模型★ 191
Catch-A-WaveformCatch-A-Waveform 是 NeurIPS 2021 论文的官方 PyTorch 实现，旨在解决从单个极短音频样本（如几秒钟）中学习并生成新音频的问题★ 191
pytorch-dc-ttspytorch-dc-tts 是一个基于 PyTorch 实现的文本转语音（TTS）项目，支持英语和蒙古语。它复现了 DC-TTS（Deep Convoluti★ 186
durian-pytorchdurian-pytorch 是论文《Duration Informed Attention Network for Multimodal Synthesis》★ 184
wsaywsay 是一个 Windows 平台下的命令行文本转语音（TTS）工具，相当于 macOS 上 `say` 命令的 Windows 版本。它解决了 Windo★ 173
MSMC-TTSMSMC-TTS 是一个多阶段多码本（Multi-Stage Multi-Codebook）的语音合成（TTS）开源项目，基于深度学习与 GAN 架构，结合 V★ 168