text-to-speech 第 5 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 5 / 14 页）
xiaoniu小牛视频翻译是一款面向视频本地化场景的AI工具，主要解决视频翻译效率低、流程繁琐的问题。它支持本地视频文件翻译、字幕文件独立翻译，以及直接下载并翻译YouTub★ 413
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
audio.cpp-webuiaudio.cpp-webui 是一个基于 ggml 的纯 C++ 音频模型推理引擎，为 audio.cpp 提供全任务 WebUI。它支持语音合成（TTS）、★ 401
nnmnkwiinnmnkwii 是一个用于构建语音合成系统的 Python 库，专注于快速原型设计和实验。它提供了一套简洁的 API，封装了语音处理中的常见操作，如频谱特征提★ 399
vonage-node-sdkVonage Node.js SDK 是 Vonage 通信平台的官方客户端库，用于在 Node.js 应用中集成短信、语音、文本转语音、号码管理、二次验证（2★ 399
ArtemisArtemis 是一个完全离线的本地 AI 女友后宫系统，旨在解决用户对个性化、可定制且隐私安全的 AI 伴侣需求。它整合了本地大语言模型（LLM）、GPT-S★ 398
LocalText2VoiceLocalText2Voice 是一个完全离线的本地文本转语音生产工作流，专为生成干净旁白、结构化学习内容和播客级音频而设计。它解决了在无网络环境下依赖云端 T★ 397
izwiizwi 是一个本地优先的语音 AI 运行时，用 Rust 编写，提供语音转文字、说话人分离、文字转语音和声音克隆能力，并兼容 OpenAI API 格式。它解★ 393
VocelloVocello 是一款专为 Apple Silicon 设计的本地、私密语音工作室。它允许用户编写脚本，选择或描述声音，并在设备端生成语音，速度超过实时，即使在★ 381
VoiceFlow-TTSVoiceFlow-TTS 是 ICASSP 2024 官方开源的高效文本转语音（TTS）模型，基于修正流匹配（Rectified Flow Matching）★ 374
StreamingKokoroJSStreamingKokoroJS 是一个基于 Kokoro-JS 的浏览器端文本转语音（TTS）库，主打 100% 本地运行与完全开源。它解决了传统 TTS ★ 372
hms-ml-demoHMS ML Demo 是华为机器学习套件（ML Kit）的官方示例项目，旨在帮助开发者快速集成华为的AI能力。它覆盖了人脸检测、文本识别、图像分割、语音识别（★ 371
gemini-youtube-automation这是一个基于 Gemini 等大语言模型的完全自主 AI 智能体/Python 流水线，用于自动生成教育视频并上传到 YouTube。它解决了内容创作者需要手动★ 367
jarvis-ai-assistant这是一个用Python构建的语音激活AI助手，灵感来自钢铁侠的Jarvis。它通过语音识别和自然语言处理，让用户用说话的方式完成日常任务，比如查询天气、播放音乐★ 365
LiveWhisperLiveWhisper 是一个基于 OpenAI Whisper 的近乎实时语音转文字工具，通过 sounddevice 捕获麦克风音频并流式处理，无需修改 W★ 361
Cross-Lingual-Voice-Cloning这是一个基于PyTorch的Tacotron 2实现，专注于跨语言语音克隆。它解决了传统语音合成系统只能使用单一语言训练数据的问题，允许用户用源语言的语音样本克★ 359
orbitorbit 是一个自托管的 AI 网关，兼容 OpenAI API，专注于私有 RAG、自然语言数据访问和工具调用代理。它解决了企业在使用大模型时面临的数据隐私★ 355
Dia-TTS-ServerDia-TTS-Server 是一个自托管的 Dia TTS 模型推理服务器，旨在解决高质量对话式语音合成部署复杂的问题。它基于 Python 和 FastAP★ 355
WhisperHalluWhisperHallu 是一个实验性开源项目，专注于音频预处理，旨在减少 OpenAI Whisper 语音识别模型产生的幻觉文本（即模型在无语音片段中虚构输★ 352
DiffGAN-TTSDiffGAN-TTS 是一个基于 PyTorch 的文本转语音（TTS）实现，核心思想是结合扩散模型（Diffusion）和生成对抗网络（GAN），在保证高保★ 351
easevoice-trainerEaseVoice Trainer 是一个面向普通用户的语音克隆与语音合成模型训练工具。它旨在降低语音模型训练的门槛，让非专业人士也能通过简单的操作训练出个性化★ 348
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
rvc-tts-webuirvc-tts-webui 是一个基于 RVC（Retrieval-based Voice Conversion）和 edge-tts 的文本转语音 Gradi★ 344
SpeakoFlowSpeakoFlow 是一款免费开源的跨平台语音听写与 AI 助手，支持 Windows、macOS 和 Linux。它利用本地 Whisper 模型实现离线语★ 344
sdk这是一个面向视频生成场景的TypeScript SDK，核心思路是用JSX语法来声明式地描述视频内容，然后通过统一API接入Kling、Flux、ElevenL★ 342
Whisper-TikTokWhisper-TikTok 是一个将 AI 工具链整合到 TikTok 视频创作流程中的开源项目。它主要解决从文本或音频内容快速生成带配音的短视频的问题，核心★ 342
PortaSpeechPortaSpeech 是一个基于 PyTorch 的非自回归文本转语音（TTS）实现，源自论文《PortaSpeech: Portable and High-★ 341
Speech-and-Text这是一个用Python实现的语音与文本双向转换工具集，集成了多种主流语音识别引擎（PocketSphinx离线识别、百度API、科大讯飞API）和文字转语音引擎★ 340
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
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
openclaw-assistantOpenClaw 是一款面向 Android 的离线语音助手应用，基于 Kotlin 和 Jetpack Compose 构建。它主要解决用户在无网络或注重隐私★ 324
AliceAlice 是一个以语音优先的桌面 AI 助手应用，基于 Vue.js、Vite 和 Electron 构建。它旨在解决传统 AI 助手交互繁琐、记忆能力弱、难★ 323
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
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
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
openai-chat-api-workflow这是一个基于 Alfred 5 的工作流，让你无需离开键盘就能调用 OpenAI 的 Chat API 与 GPT 模型对话。它不止于聊天，还集成了图像生成（D★ 318
ChatGPT-OpenAI-Smart-Speaker这是一个基于Python的开源AI智能音箱项目，旨在将普通音箱升级为支持语音和视觉交互的智能助手。它利用OpenAI的GPT-4模型，结合语音识别（STT）、文★ 318
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
saynaSayna 是一个面向 AI Agent 的统一语音层，旨在为现有智能体框架提供无缝的语音交互能力。它解决了 AI Agent 缺乏原生语音输入输出支持的问题，★ 314
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
LLMVoXLLMVoX 是一个将任意大型语言模型（LLM）转换为支持流式语音对话的端到端系统。它解决了传统语音助手需要额外语音识别和合成模块、延迟高且交互不自然的问题。核★ 313
HanTTSHanTTS 是一个基于 Python 的中文文本转语音（TTS）Web 服务，旨在为开发者和用户提供简单易用的中文语音合成能力。它解决了中文 TTS 服务在开★ 309
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
kokoro-ioskokoro-ios 是一个基于 Kokoro TTS 引擎的 iOS 和 macOS 原生文本转语音应用，使用 Swift 和 SwiftUI 构建，并利用 ★ 294
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
google-ttsgoogle-tts 是一个基于 Node.js 的文本转语音（TTS）库，它封装了 Google 翻译的 TTS 接口，让开发者无需申请复杂的云服务 API ★ 286
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