text-to-speech
本站收录 637 个带「text-to-speech」标签的 AI 开源项目（按 GitHub 星标从高到低，此处展示前 50 个）
MoneyPrinterTurbo利用 AI 大模型与自动化工作流，输入主题或关键词即可一键生成高清短视频，从文案、配音到剪辑全自动完成，是内容创作者的高效生产力工具。★ 126,990
unsloth本地运行与训练文本、扩散模型的 UI 工具，支持 Kimi、Gemma、Qwen3.6、DeepSeek-V4、FLUX 等最新模型，让个人开发者也能轻松微调与★ 77,026
GPT-SoVITS仅需 1 分钟语音数据即可训练出高质量 TTS 模型的少样本声音克隆方案。集成语音识别、文本转语音与声音转换能力，训练与推理全流程自动化，让个人也能轻松打造专属★ 62,247
OpenMontage全球首个开源的智能体视频制作系统，提供 12 条生产流水线、100 余种工具以及 700 多个智能体技能与制作知识文件。可将 AI 编程助手转化为完整的视频生产★ 61,862
VoiceStudioVoiceStudio 是一个开源的 AI 语音工作站，旨在成为 ElevenLabs 的替代方案。它集成了语音克隆、配音、听写、转录、有声书创作和语音工作流编★ 47,464
TTS面向文本转语音的深度学习工具包，历经研究与生产环境双重考验。支持多语言、多语音模型，提供丰富的预训练模型与训练接口，既能快速搭建 TTS 服务，也能满足深入探索★ 46,083
ChatTTS专为日常对话场景设计的生成式语音模型，能够生成自然流畅、富有表现力的对话语音。支持细粒度韵律与情感控制，中文合成效果出色，广泛应用于对话系统、有声内容创作与 A★ 39,879
VoxCPMVoxCPM2 是一款无分词器的多语言语音生成模型，支持多语种语音合成、创意音色设计与高保真声音克隆。无需传统分词器即可直接生成语音，带来更自然、更真实的合成效★ 38,137
OpenVoice由 MIT 与 MyShell 联合打造的开源音频基础模型，支持即时声音克隆。仅需一段参考音频即可克隆任意音色，并支持多语言、多情感输出与细粒度音色控制，为各类★ 37,728
MockingBird只需 5 秒即可克隆一个声音，实现任意文本的实时语音合成。项目基于 PyTorch，提供训练与推理全流程支持，声音相似度高、合成速度快，非常适合语音克隆研究与实★ 36,902
index-ttsindex-tts 是一个面向工业级应用的零样本文本转语音（TTS）系统，核心能力是仅凭几秒参考音频即可克隆说话人音色，并用于跨语言语音合成。它解决了传统语音合★ 24,226
CosyVoice阿里通义实验室开源的多语言大规模语音生成模型，提供推理、训练与部署全栈能力。支持零样本语音克隆与跨语种语音合成，音色自然流畅，是构建语音助手、智能配音与内容创作★ 23,810
dia一款能够一次性生成超逼真对话的 TTS 模型，无需多次迭代即可输出自然流畅、情感丰富的多角色对话语音。非常适合有声剧、播客、游戏配音与对话系统等需要高质量多角色★ 19,396
pyvideotranspyvideotrans 是一个开源的视频翻译与配音工具，能够将视频中的语音识别为文字，翻译成目标语言，并自动生成配音和字幕，最终嵌入视频中。它解决了视频内容跨★ 19,179
leonLeon 是开源的 AI 个人助理，可部署在你自己的设备上，数据完全自主可控，支持语音交互与技能扩展，帮你处理日常任务，打造真正属于你的私人智能助手。★ 17,549
sherpa-onnxsherpa-onnx 是一个基于下一代 Kaldi 和 ONNX Runtime 的语音处理工具包，专注于离线场景下的语音识别（ASR）、文本转语音（TTS）★ 15,039
supertonicsupertonic 是一个极速的端侧多语言文本转语音（TTS）引擎，基于 ONNX Runtime 原生运行，支持 iOS、Flutter、Node.js、P★ 13,789
supertonicsupertonic 是一个超快速、完全离线的多语言文本转语音（TTS）引擎，基于 ONNX Runtime 原生运行，无需云端依赖。它解决了传统 TTS 服务★ 13,789
voice-provoice-pro 是一个面向创作者和开发者的 Gradio WebUI 工具，集成了多种前沿的语音技术。它解决了音频内容生产中语音合成、克隆、分离和翻译的碎片★ 12,962
edge-ttsedge-tts 是一个 Python 库，让你无需安装 Microsoft Edge、Windows 或申请 API key，就能直接调用微软 Edge 浏览★ 12,123
piper快速、本地的神经网络文本转语音系统，无需联网即可在低算力设备上流畅运行，支持多语言与多音色。模型体积小、延迟低，非常适合嵌入式设备、离线语音助手与隐私敏感场景的★ 11,293
AmphionAmphion 是一个面向音频、音乐和语音生成的开源工具包，旨在支持可复现研究，并帮助初级研究者和工程师快速入门。它集成了多种主流模型与算法，涵盖文本到语音（T★ 10,305
TTSMozilla TTS 是一个基于深度学习的文本转语音（TTS）引擎，旨在提供高质量、自然且灵活的语音合成能力。它解决了传统 TTS 系统音质生硬、定制困难的问★ 10,172
espnet端到端语音处理工具包，覆盖语音识别、语音合成、语音翻译、说话人识别等多项任务。提供统一训练框架、丰富预训练模型与评测流程，是学术界与工业界语音技术研究的常用基础★ 9,974
EmotiVoice网易有道开源的多音色、提示词可控 TTS 引擎，通过文本提示即可控制合成语音的情感与风格。支持多种情绪表达，中文合成效果出色，适合有声内容创作、短视频配音与情感★ 8,534
mlx-audio基于 Apple MLX 框架构建的语音库，集文本转语音、语音转文本与语音转语音于一体，可在 Apple Silicon 设备上高效运行。充分利用苹果芯片算力，★ 7,962
VALL-E-X微软 VALL-E X 零样本 TTS 模型的开源实现，仅需约 3 秒参考音频即可克隆目标说话人音色，并支持跨语种语音合成。训练与推理代码完整，是语音克隆与多语★ 7,925
vitsVITS 采用条件变分自编码器与对抗训练实现端到端文本转语音。在保持高自然度的同时大幅简化合成流程，无需额外对齐模块即可直接生成高质量语音，是 TTS 领域的经★ 7,894
MeloTTSMyShell.ai 开源的高质量多语言 TTS 库，支持英语、西班牙语、法语、中文、日语、韩语六种语言。合成速度快、音质自然，支持本地部署与批量推理，适合多语★ 7,650
ODSODS 是一个开源的本地 AI 服务器解决方案，旨在将个人电脑（PC、Mac 或 Linux）转变为功能全面的 AI 中心。它解决了用户对数据隐私、离线可用性和★ 6,900
espeak-ngeSpeak NG 是一个开源的语音合成器（TTS），基于原 eSpeak 项目扩展而来，支持超过 100 种语言和口音。它采用共振峰合成技术，体积小、速度快，★ 6,896
argmax-oss-swift专为 Apple Silicon 打造的端侧语音 AI 框架，支持在设备本地运行语音识别与合成等模型，无需联网与云端依赖。基于 Swift 开发，性能高效、隐私★ 6,385
StyleTTS2StyleTTS 2 通过风格扩散与对抗训练，结合大型语音语言模型，实现了接近人类水平的文本转语音。合成语音的自然度与韵律表现力出众，即使无参考语音也能生成高质★ 6,361
Awesome-Prompt-Engineering这是一个精选的提示工程（Prompt Engineering）资源列表，专注于GPT、ChatGPT、PaLM等生成式预训练模型。项目整理了从基础概念到高级技巧★ 6,347
silero-modelsSilero Models 是一个提供预训练语音模型的集合，专注于让文本转语音（TTS）和语音识别（STT）变得极其简单。它解决了开发者在使用语音技术时面临的模★ 6,123
abogenabogen 是一个将电子书（EPUB、PDF 和纯文本）自动转换为带同步字幕的有声书的开源工具。它解决了传统有声书制作成本高、周期长的问题，让普通用户也能快速★ 6,066
dograhdograh 是一个开源的语音 AI 平台，旨在作为 Vapi 和 Retell 的自托管替代方案。它解决了企业在部署语音代理时对数据隐私和成本控制的担忧，支持★ 5,774
YouDub-webuiYouDub-webui 是一个开源的 AI 视频本地化工具，旨在将 YouTube 或 Bilibili 视频自动翻译并配音成中文。它解决了视频内容跨语言传播★ 5,553
Kokoro-FastAPIKokoro-FastAPI 是一个将 Kokoro-82M 文本转语音模型封装成 Dockerized FastAPI 服务的开源项目，旨在为开发者提供跨平台★ 5,496
DiffSingerDiffSinger 是一个基于浅层扩散机制的开源歌声合成（SVS）与语音合成（TTS）项目，源自 AAAI 2022 论文，官方代码实现。它解决的核心问题是传★ 4,864
fastrtcfastrtc 是一个专注于实时通信的 Python 库，旨在简化 WebRTC 音频/视频流的接入，让开发者能快速构建支持语音对话、实时转录和文本转语音的 A★ 4,629
MOSS-TTS-NanoMOSS-TTS-Nano 是 MOSI.AI 与 OpenMOSS 团队开源的多语言轻量级语音合成模型，参数量仅 0.1B，专为实时语音生成设计。它解决了传统★ 4,428
WhisperLiveWhisperLive 是一个基于 OpenAI Whisper 的近乎实时语音转写工具，旨在解决传统 Whisper 离线处理延迟高、无法用于直播或对话场景的★ 4,301
metavoice-srcMetaVoice 是一个基于深度学习的情感语音合成基础模型，专注于生成高度自然、富有表现力的语音。它解决了传统 TTS 系统声音机械、缺乏情感和个性化的问题，★ 4,206
MOSS-TTSMOSS-TTS 是由 MOSI.AI 和 OpenMOSS 团队开发的开源语音与声音生成模型家族，专注于高保真、高表现力及复杂真实场景的语音合成。它解决了传统★ 4,147
RealtimeTTSRealtimeTTS 是一个专注于实时文本转语音（TTS）的 Python 库，旨在解决传统 TTS 引擎延迟高、难以集成到实时应用中的问题。它提供了统一的 ★ 4,039
TensorFlowTTSTensorFlowTTS 是一个基于 TensorFlow 2 的实时语音合成工具包，旨在提供最先进的语音合成能力。它解决了从文本到语音（TTS）的完整流程问★ 3,995
ApplioApplio 是一个专注于易用性和性能的语音转换工具，基于 PyTorch 实现，支持实时语音到语音转换（VC）、语音克隆和文本到语音（TTS）。它解决了传统语★ 3,770
TTS-WebUITTS-WebUI 是一个集成了多种主流语音与音频生成模型的一站式 Web 界面，基于 Gradio 和 React 构建。它解决了用户在不同 TTS、语音克隆★ 3,276
audio.cppaudio.cpp 是一个基于 ggml 的纯 C++ 音频模型推理引擎，旨在为音频 AI 应用提供一体化、高性能的本地推理解决方案。它解决了传统音频 AI 工★ 3,180