text-to-speech 第 2 页
本站收录 656 个带「text-to-speech」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 14 页）
elevenlabs-pythonElevenLabs 官方 Python SDK，用于调用 ElevenLabs API，提供文本转语音、语音克隆、声音库管理、语音合成流式输出等能力。它封装了★ 3,146
GPAGPA（General Purpose Audio）是一个基于Transformer的通用音频模型，由AutoArk团队开发，旨在用单一小型模型同时实现自动语音★ 3,098
vall-eVALL-E 是一个基于 PyTorch 的非官方实现，源自微软提出的神经编解码语言模型，用于零样本文本到语音合成。它解决了传统 TTS 系统需要大量特定说话人★ 2,970
qwen-audio-agentqwen-audio-agent 是一个面向 AI Agent 的实时语音运行时，基于 JavaScript 构建，旨在让智能体不仅会对话，还能在对话过程中持续★ 2,955
VieNeu-TTSVieNeu-TTS 是一个专注于越南语的端侧实时文本转语音（TTS）引擎，支持即时声音克隆，无需云端依赖即可在本地 CPU 上运行，输出 24kHz 高质量音★ 2,900
aeneasaeneas 是一个用 Python/C 编写的开源工具集，用于自动将音频与文本进行强制对齐，即自动生成音频中每个单词或句子对应的时间戳。它解决了人工手动标注音★ 2,872
MARS5-TTSMARS5-TTS 是 CAMB.AI 开源的语音合成模型，专注于高表现力的文本转语音和声音克隆。它解决的核心问题是传统 TTS 合成语音平淡、缺乏韵律和情感的★ 2,817
gTTSgTTS 是一个 Python 库和命令行工具，用于调用 Google Translate 的文本转语音 API，将文本转换为 MP3 音频。它解决了开发者快速★ 2,637
ChatTTS_colabChatTTS_colab 是一个基于 ChatTTS 模型的一键部署工具，主要面向文本转语音（TTS）场景。它解决了 ChatTTS 原始项目部署复杂、上手门★ 2,597
maryttsMARY TTS 是一个用纯 Java 编写的开源多语言文本转语音合成系统。它解决了开发者需要将文本转换为自然语音但缺乏跨平台、可扩展 TTS 引擎的问题。核心★ 2,582
pyttsx3pyttsx3 是一个纯 Python 的离线文本转语音（TTS）库，主要解决开发者在无网络环境下需要将文本转换为语音的问题。它通过封装 Windows 的 S★ 2,534
hifi-ganHiFi-GAN 是一个基于生成对抗网络的高保真语音合成声码器，由韩国首尔大学团队开发。它解决了传统神经声码器（如 WaveNet）推理速度慢、难以实时部署的问★ 2,377
Tacotron-2Tacotron-2 是 DeepMind 提出的端到端文本转语音（TTS）模型的 TensorFlow 实现。它解决传统语音合成系统需要大量人工特征工程和复杂★ 2,321
claude-code-video-toolkitclaude-code-video-toolkit 是一个面向 Claude Code 的 AI 原生视频制作工具包，旨在通过自然语言指令自动化完成视频生产流程★ 2,288
vall-eVALL-E 是一个基于 PyTorch 的零样本文本转语音（TTS）实现，源自微软提出的神经编解码语言模型。它利用大规模语言模型的思路，将语音离散化为音频编解★ 2,221
IMS-ToucanIMS-Toucan 是一个基于 PyTorch 的可控且快速的文本转语音（TTS）工具包，声称支持超过 7000 种语言。它旨在解决多语言语音合成中音色、情感★ 2,210
WaveRNNWaveRNN 是一个基于 PyTorch 的神经声码器与语音合成（TTS）项目，由 fatchord 开发。它实现了 WaveRNN 模型，能够将频谱特征（如★ 2,191
openai-edge-ttsopenai-edge-tts 是一个免费、高质量的文本转语音（TTS）API 端点，旨在作为 OpenAI、Azure 或 ElevenLabs 等付费 TT★ 2,131
parlorparlor 是一个运行在 Apple 芯片设备上的实时多模态 AI 助手，功能类似 GPT-Live，但完全本地化。它解决了云端 AI 助手延迟高、隐私泄露和★ 2,077
BB 是一个用 Python 构建的自主上下文感知 AI 桌面伴侣。它通过实时屏幕视觉、自定义 ONNX 语音合成、活动窗口跟踪和带反应式面部表情的动态浮动 UI★ 2,046
RHVoiceRHVoice 是一款免费开源的语音合成器，主要面向俄语及其他多种语言。它解决的是文本转语音（TTS）的需求，尤其擅长俄语，同时支持英语、巴西葡萄牙语、世界语、★ 1,850
Genie-TTSGenie-TTS 是一个专注于 GPT-SoVITS 模型的 ONNX 推理引擎与模型转换工具。它解决了 GPT-SoVITS 模型在部署和推理时依赖复杂 P★ 1,811
alan-sdk-androidAlan AI 是一个面向 Android 应用的对话式 AI 平台，提供完整的语音助手解决方案。开发者通过 Alan Studio 可视化界面设计对话流程，无★ 1,802
read-aloudread-aloud 是一款开源的浏览器扩展，旨在通过一键点击将网页内容转换为语音朗读，解决视障用户、多任务处理者或阅读疲劳人群的阅读障碍问题。它基于 Java★ 1,775
react-native-executorchreact-native-executorch 是一个将 Meta 的 ExecuTorch 推理引擎封装为 React Native 原生模块的开源库，让开发★ 1,768
alan-sdk-flutterAlan AI 是一个面向 Flutter 应用的对话式 AI 平台 SDK，旨在让开发者通过几行代码为应用集成语音助手和聊天机器人。它解决了应用内自然语言交互★ 1,752
Auto-Synced-Translated-DubsAuto-Synced-Translated-Dubs 是一个自动视频配音翻译工具，它基于字幕文件提取文本，通过 AI 翻译成目标语言，再利用 TTS 语音合成★ 1,752
yovoiceyovoice 是一款面向 macOS 和 Windows 的开源桌面语音创作工具，主打本地化文本转语音（TTS）、声音克隆与情感控制。它解决的核心问题是：主流★ 1,724
dsnotedsnote 是一款面向 Linux 桌面（也支持 Sailfish OS）的离线语音笔记应用，主打在无网络环境下完成语音转文字、文字转语音和机器翻译。它解决的★ 1,695
video-podcast-makervideo-podcast-maker 是一个面向编程智能体（如 Claude Code）的自动化视频生成工具，能将主题直接转化为带配音和字幕的 4K 视频。它★ 1,691
ParallelWaveGANParallelWaveGAN 是一个基于 PyTorch 的非官方实现，集成了多种主流神经声码器，包括 Parallel WaveGAN、MelGAN、多频带★ 1,646
alan-sdk-ionicAlan AI SDK for Ionic 是一个让 Ionic 应用快速获得对话式 AI 能力的官方 SDK。它解决了移动应用内构建复杂语音交互的难题，开发者★ 1,644
vllm-mlxvllm-mlx 是一个专为 Apple Silicon 芯片设计的开源推理服务器，兼容 OpenAI 和 Anthropic API 协议。它解决了在 Mac★ 1,628
TalkingHeadTalkingHead 是一个基于 JavaScript 的实时口型同步类库，专门用于驱动全身 3D 虚拟形象说话。它解决了开发者快速为 3D 角色添加自然说话★ 1,623
sopranoSoprano 是一个基于 Python 的文本转语音（TTS）开源项目，主打即时生成超逼真语音。它解决了传统 TTS 系统延迟高、音质机械感强的问题，通过先进★ 1,618
MiniMax-MCPMiniMax-MCP 是 MiniMax 官方推出的 Model Context Protocol (MCP) 服务器，旨在将 MiniMax 的多模态生成能★ 1,593
VibeVoice-ComfyUIVibeVoice-ComfyUI 是一个将微软 VibeVoice 文本转语音模型集成到 ComfyUI 的自定义节点，让用户能在 ComfyUI 的可视化工★ 1,569
sglang-omniSGLang-Omni 是一个基于 SGLang 的高性能多模态推理服务框架，专注于语音相关模型（TTS、ASR）及全模态（omni）模型的部署。它解决了传统语★ 1,562
OpenSeq2SeqOpenSeq2Seq 是 NVIDIA 开源的序列到序列学习工具包，专注于语音识别、文本转语音和自然语言处理任务。它解决了研究人员在搭建和实验 seq2seq★ 1,560
Uncensored-Local-StudioUncensored-Local-Studio 是一个面向 Windows、Linux 和 macOS 的本地 AI 工作室，提供零配置的图形界面，集成了图像生★ 1,546
Portable-Local-StudioPortable-Local-Studio 是一个面向 Windows、Linux 和 macOS 的便携式本地 AI 工作台，目标是把图像生成、GGUF 格式★ 1,545
AuKAuK 是一个开源语音生成与编辑基础模型，目标是把语音合成、语音编辑、说话人提取、语音增强和音源分离等任务统一到一个模型框架中。它解决的是传统语音流水线中模型碎★ 1,534
Chatterbox-TTS-ServerChatterbox-TTS-Server 是一个自托管的文本转语音（TTS）服务，基于强大的 Chatterbox 模型。它解决了用户需要灵活、可扩展的语音合★ 1,478
Irodori-TTSIrodori-TTS 是一个基于 Flow Matching 的文本转语音（TTS）模型，特色在于通过表情符号（emoji）驱动风格控制。它解决了传统 TTS★ 1,456
mlx-tunemlx-tune 是一个专为 Apple Silicon Mac 设计的 LLM 微调工具，基于 MLX 框架原生运行，让开发者无需云端 GPU 即可在本地完成★ 1,444
Voice-Cloning-AppVoice-Cloning-App 是一个基于 Python 和 PyTorch 的开源语音克隆工具，旨在让用户通过简单的操作合成逼真的人声。它解决了传统语音合★ 1,437
OuteTTSOuteTTS 是一个为 OuteTTS 模型设计的统一接口，旨在简化文本到语音（TTS）模型的加载、推理和集成流程。它基于 Python 构建，底层依赖 ll★ 1,436
Speech-AI-ForgeSpeech-AI-Forge 是一个围绕 TTS（文本转语音）生成模型构建的开源项目，提供 API 服务器和基于 Gradio 的 WebUI。它整合了多种主★ 1,421
SoniTranslateSoniTranslate 是一个开源的视频同步翻译与配音工具，专注于将视频中的语音自动翻译成其他语言，并生成与画面同步的配音。它解决了视频内容跨语言传播时人工★ 1,420
DragonfireDragonfire 是一款面向 Ubuntu 等 Linux 发行版的开源虚拟助手，基于 Python 构建，旨在提供本地化的语音交互和智能应答能力。它解决了★ 1,410