speech-synthesis 第 5 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 5 / 5 页）
talkieTalkie 是一个极简的文本转语音（TTS）浏览器扩展，以按钮形式嵌入浏览器工具栏。用户只需在任意网页上选中文本，点击 Talkie 按钮，即可让电脑朗读所选★ 80
Irodori-TTS-ServerIrodori-TTS-Server 是一个基于 Python 的文本转语音（TTS）服务端，它实现了 OpenAI 的 Text-to-Speech API ★ 80
NVDA-IBMTTS-DriverNVDA-IBMTTS-Driver 是一个为 NVDA 屏幕阅读器开发的 IBMTTS 语音合成驱动插件。IBMTTS 是一款与 Eloquence 类似的经★ 79
esp32-fliteesp32-flite 是一个将 Flite 语音合成引擎移植到 ESP32 微控制器上的开源项目。它解决了在资源受限的嵌入式设备上实现离线文本转语音（TTS）★ 79
draft-to-takeDraft to Take 是一个本地优先的 AI 音频制作工作室，旨在将粗糙的语音草稿快速转化为专业级音频成品。它利用 IndexTTS2 进行高质量语音合成★ 78
cnn_vocodercnn_vocoder 是一个基于卷积神经网络（CNN）的快速声码器（vocoder）开源项目，用 Python 实现。声码器是语音合成和音频生成中的关键组件，★ 78
UnivNet-pytorchUnivNet-pytorch 是 UnivNet 神经声码器的非官方 PyTorch 实现。UnivNet 是一种用于高保真波形生成的神经声码器，通过多分辨率★ 76
PolyLangVITSPolyLangVITS 是一个基于 VITS 的多语言语音合成项目，支持韩语、日语、英语和中文四种语言。它利用 VITS 的端到端架构，将文本直接转换为语音，★ 75
sonatasonata 是一个用 Rust 编写的跨平台神经 TTS（文本转语音）推理引擎，专注于高效运行神经网络语音合成模型。它解决了传统 TTS 引擎依赖重型框架、部★ 75
FastPitchFormantFastPitchFormant 是 NCSOFT 提出的 FastPitchFormant 模型的 PyTorch 非官方实现，该模型基于源-滤波器（sour★ 74
VAENAR-TTSVAENAR-TTS 是一个基于 PyTorch 的非自回归文本转语音（TTS）合成实现，核心思路是结合变分自编码器（VAE）与非自回归生成框架，旨在解决传统自★ 74
spokestack-androidSpokestack Android 是一个面向 Android 平台的可扩展移动语音框架，旨在帮助开发者快速为应用集成完整的语音交互能力。它涵盖唤醒词检测、自★ 74
tts-demotts-demo 是一个基于 Java 的文本转语音（TTS）演示项目，集成了深度学习模型，旨在提供灵活、高质量的语音合成能力。它解决了开发者在集成 TTS 功★ 73
WG-WaveNetWG-WaveNet 是一个基于 Python 的实时高质量语音合成项目，其核心卖点是在没有 GPU 的条件下实现高保真语音生成。它通过改进 WaveNet 的★ 73
DualCodecDualCodec 是一个面向语音和音频生成的低帧率神经音频编解码器，发表于 Interspeech 2025。它主要解决传统音频编解码器在生成式 AI 场景中★ 72
SynParaSpeechSynParaSpeech 是 ICASSP 2026 论文的官方开源仓库，专注于自动合成副语言（paralinguistic）数据集，用于语音生成和理解任务。★ 72
AutoVocoderAutoVocoder 是一个基于可微数字信号处理（DDSP）的语音波形快速生成工具。它从学习到的语音表示（如音高、响度等）出发，通过可微分的声码器直接合成高质★ 71
AudioMAE-pytorchAudioMAE-pytorch 是掩码自编码器（Masked Autoencoder）在音频领域的非官方 PyTorch 实现，基于论文《Masked Aut★ 71
web-speech-cognitive-services这是一个JavaScript库，为Web Speech API提供Polyfill实现，将微软Azure认知服务中的语音转文本和文本转语音能力接入浏览器。它解决★ 70
awesome-TTS-Colab这是一个精选的TTS（文本转语音）和语音克隆模型资源列表，专门针对Google Colab环境优化。它汇集了多种开源语音合成项目，并提供了在Colab上直接运行★ 70
Turkish-Text-to-SpeechTurkish-Text-to-Speech 是一个面向土耳其语等低资源语言的文本转语音（TTS）开源项目。它采用 Fastpitch 模型从零开始训练声学特征★ 70
elevenlabs这是一个非官方的 Go 语言客户端库，用于调用 ElevenLabs 的 API。它封装了文本转语音、语音转文本、音效生成和声音管理等功能，让 Go 开发者能够★ 69
mel-cepstral-distance这是一个用于计算两段语音或音频之间Mel倒谱距离（MCD）的Python库，MCD是语音合成与语音转换领域常用的客观质量评估指标。它基于Robert F. Ku★ 69
WaveGrad2WaveGrad2 是谷歌大脑团队提出的 WaveGrad 2 模型的非官方 PyTorch 实现，专注于文本到语音（TTS）合成。它采用非自回归架构，通过迭代★ 68
web-speech-recommended-voices这是一个为 Web Speech API 提供推荐语音列表的开源项目。它解决了开发者在不同浏览器和平台上使用语音合成（TTS）时，语音名称不一致、兼容性差、难以★ 68
coqui_tts_korea这是一个基于 Coqui TTS 的韩语语音合成项目，使用 GlowTTS 和 Multiband MelGAN 模型实现高质量的韩语文本转语音。项目主要解决韩★ 66
Core-AI-Framework-Lab这是一个探索 Apple Core AI 框架的实战实验室，主要面向 Apple Silicon 设备上的生成式 AI 与端侧推理。项目解决了开发者对 Core★ 66
OtosakuTTS-iOSOtosakuTTS-iOS 是一个基于 Swift 的离线文本转语音（TTS）库，专为 iOS 和 macOS 平台设计。它利用 CoreML 优化的 Fas★ 65
piper-appPiper-app 是 Piper 文本转语音引擎的 iOS 和 macOS 原生移植版，基于 Swift 开发，将原本面向 Linux 的 Piper TTS★ 65
IntelliJavaIntelliJava 是一个面向 Java 开发者的 AI 集成库，旨在用少量 Java 代码快速接入 ChatGPT、DALL·E、Cohere 等主流 A★ 64
UniCATS-CTX-txt2vecUniCATS-CTX-txt2vec 是 AAAI 2024 论文中 UniCATS 语音合成系统的声学模型组件，基于 VQ-Diffusion 架构，将文本★ 64
melganMelGAN 是一个基于 GAN 的语音合成声码器（vocoder）实现，支持多频带（Multi-Band）和全频带（Full Band）两种模式。它解决的是文★ 63
ManaTTS-Persian-Speech-DatasetManaTTS 是当前最大的开源波斯语语音数据集，包含超过 114 小时的已转写音频，并附带完整的数据收集与处理流水线工具。该项目旨在解决波斯语语音合成（TTS★ 61
react-native-spokestackreact-native-spokestack 是一个为 React Native 应用提供语音接口的官方 SDK，它封装了 Spokestack 的 iOS ★ 60
RealTimeSingingSynthesizerRealTimeSingingSynthesizer 是一个基于 Python 的实时歌唱合成器，封装了 sinsy-NG 引擎，支持通过 live codin★ 60
text2speechtext2speech 是微软研究院实习生主导的开源项目，目标是构建面向印度十亿级用户的文本转语音（TTS）系统，相关论文已被 ICASSP 2023 收录。项★ 58
RVCBenchRVCBench 是一个针对语音克隆鲁棒性、说话人隐私和音频保护的基准测试框架，覆盖 26 个 TTS 和 VC 模型。它解决当前语音合成技术被滥用（如深度伪造★ 58
zerovoxzerovox 是一个基于深度学习的零样本（zero-shot）实时语音合成（TTS）系统，完全离线运行，免费且开源。它旨在解决传统 TTS 系统需要针对特定说★ 56
Daft-ExprtDaft-Exprt 是一个基于 PyTorch 的非自回归语音合成模型，专注于跨说话人的韵律迁移，旨在解决 expressive TTS 中韵律风格难以从源说★ 55
pinyin-to-ipapinyin-to-ipa 是一个将汉语拼音转换为国际音标（IPA）的命令行工具和 Python 库。它解决了语音学、语音识别和语音合成研究中，需要将拼音文本标★ 53
cs224n-gpu-that-talks这是一个基于CS224n课程项目开发的端到端语音合成系统，名为“Attention, I'm Trying to Speak”。它利用注意力机制和TensorF★ 52
Tacotron2Tacotron2 是一个基于 PyTorch 实现的端到端文本转语音（TTS）系统，源自 NVIDIA 的论文《Natural TTS Synthesis B★ 52
AmazonSpeechTranslatorAmazonSpeechTranslator 是一个基于 AWS 托管机器学习服务的 iOS 端到端语音翻译解决方案，集成了语音识别（Amazon Transc★ 52
FastSpeech2FastSpeech2 是一个基于 PyTorch 实现的端到端文本转语音（TTS）模型，源自微软提出的非自回归语音合成架构。它解决了传统自回归 TTS（如 T★ 52
jsut-labjsut-lab 是一个为日语语音合成数据集 JSUT v1.1 提供 HTS 风格全上下文标签（full-context labels）的开源项目。它解决了语★ 51
spoken-wordSpoken Word 是一个基于 JavaScript 的音频处理开源项目，专注于语音相关功能。它解决的是在 Web 环境中对语音音频进行捕获、处理和播放的问★ 51
vllm-chatterbox-streamvllm-chatterbox-stream 是一个基于 vLLM 推理引擎的多语言文本转语音（TTS）服务，兼容 OpenAI API 接口，支持实时 PCM★ 8