speech 第 2 页
本站收录 140 个带「speech」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 3 页）
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
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
docker-whisperXdocker-whisperX 是 WhisperX 语音识别工具的官方 Docker 镜像构建项目，通过 Dockerfile 与 CI 流程把 Whispe★ 458
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
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
potatopotato 是一个轻量级、可移植的数据标注工具，旨在为 AI 研究和开发提供灵活高效的标注解决方案。它解决了传统标注工具部署复杂、难以定制、难以适应多模态数据★ 436
parakeet-rsparakeet-rs 是一个用 Rust 编写的语音识别工具库，基于 NVIDIA Parakeet 系列模型（通过 ONNX 运行），提供极快的语音转文字能★ 415
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
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
NanoLLMNanoLLM 是一个专注于本地大模型推理优化的开源工具库，提供类似 HuggingFace 的简洁 API，支持模型量化、视觉/语言模型、多模态智能体、语音处★ 380
LangHelperLangHelper 是一个基于 Rust 开发的语言学习应用，旨在通过整合 ChatGPT、TTS（文本转语音）和 STT（语音转文本）等 AI 模型，提供全★ 350
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
obsidian-edge-ttsobsidian-edge-tts 是一个 Obsidian 插件，利用微软 Edge 浏览器的朗读 API，为笔记提供免费且高质量的文本转语音功能。它解决了 ★ 323
xcodecxcodec 是一个面向音频语言模型的语义编解码器，由香港科技大学等机构在 AAAI 2025 提出。它针对传统音频编解码器（如 EnCodec）在语义信息保留★ 316
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
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
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
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
MOSS-Audio-TokenizerMOSS-Audio-Tokenizer 是一个基于因果 Transformer 架构（CAT）的音频分词器，旨在将连续音频信号转换为离散 token，为音频语★ 259
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
TTS-CubeTTS-Cube 是一个基于循环神经网络的端到端语音合成项目，旨在直接从文本生成语音波形，解决传统TTS系统需要复杂前端和声码器拼接的问题。其核心能力包括：使用★ 223
video-SALMONN-2video-SALMONN-2 是清华大学电子工程系与字节跳动联合开发的新一代音视频大语言模型，旨在解决视频理解中音频与视觉信息融合不足的问题。该模型能够接收视★ 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
TTSTTS 是一个面向 Arduino 平台的文本转语音库，用 C 语言编写。它解决了在资源受限的微控制器上实现语音合成的难题，让开发者无需额外硬件即可让 Ardu★ 216
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
chatbot-watson-android这是一个基于 IBM Watson 服务的 Android 聊天机器人示例应用，集成了 Watson Assistant（对话管理）、Speech-to-Tex★ 197
zai-ttszai-tts 是一个将智谱 AI 的 TTS（文本转语音）服务转换为 OpenAI 兼容 API 的轻量级开源项目。它解决了开发者在使用 OpenAI Spe★ 196
tortoise.cpptortoise.cpp 是 tortoise-tts 的 ggml (C++) 重新实现，旨在将高质量文本转语音模型本地化运行。它解决了原版 Python 实★ 192
durian-pytorchdurian-pytorch 是论文《Duration Informed Attention Network for Multimodal Synthesis》★ 184
OSSSpeechKitOSSSpeechKit 是一个面向 iOS 开发者的原生语音工具包，基于 AVFoundation 和 Apple 的 Speech 框架封装，提供简洁的 S★ 184
efficientspeechEfficientSpeech 是一个基于 PyTorch 的轻量级语音合成（TTS）模型实现，相关论文发表于 ICASSP 2023。它旨在解决传统 TTS ★ 183
zhttszhtts 是一个基于 Python 的中文实时语音合成系统演示项目，专注于在 CPU 上实现低延迟的文本转语音能力。它解决了中文 TTS 在无 GPU 环境下★ 179
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
bournemouth-forced-aligner这是一个用于语音音频的强制对齐工具，能够自动提取音素级别的时间戳。它解决了语音处理中需要精确对齐音频与文本的问题，尤其适用于语音识别、语音合成和语言学研究。核心★ 169
AdaSpeechAdaSpeech 是一个基于 PyTorch 的自适应文本转语音（TTS）项目，旨在为自定义声音提供高质量的语音合成能力。它针对传统 TTS 系统在适应新说话★ 162
whisper-vits-japanese这是一个将Whisper语音识别模型与VITS语音合成模型结合的开源工具，专门用于日语语音合成。它解决的核心问题是：传统VITS训练需要成对的文本和音频数据，而★ 161
xiaokeaixiaokeai 是一个开源免费的本地 3D 虚拟陪玩项目，定位为桌面虚拟伴侣。它把 3D 角色、语音聊天和桌面交互整合在一起：用户可以和屏幕里的 3D 角色实★ 159
tts-arabic-pytorch这是一个基于 PyTorch 的阿拉伯语语音合成（TTS）工具包，实现了 Tacotron2 和 FastPitch 两种主流声学模型，并集成 HiFi-GAN★ 145
ariaaria 是一个本地运行的、无审查的 AI 实体项目，基于 Python 构建，集成了大型语言模型（LLM）、语音合成（如 Kokoro TTS）和深度学习技术★ 134
timethingTimething 是一个用于将文本转录与音频录音进行对齐的开源库。它解决的核心问题是，在语音识别或音频处理场景中，转录文本与音频时间轴不同步，导致难以定位或校★ 133
MioVRC_TranslatorMioVRC_Translator 是一个面向 VRChat 的 Python 插件，解决跨语言玩家在虚拟社交中无法实时听懂对方语音的痛点。它通过监听系统或麦克★ 131
edittsEdiTTS 是 INTERSPEECH 2022 论文的官方实现，基于分数生成模型（score-based）实现可控的文本到语音（TTS）编辑。它解决的是传统★ 122
voicehubVoiceHub 是一个为文本转语音（TTS）模型提供统一推理接口的开源工具。它解决了 TTS 模型生态碎片化的问题，让开发者无需深入理解每个模型的特定 API★ 120
Fre-GAN-pytorchFre-GAN-pytorch 是 Fre-GAN 论文的 PyTorch 非官方实现，Fre-GAN 是一种基于对抗生成网络的音频合成声码器，旨在解决传统声码★ 113