text-to-speech 第 6 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 6 / 14 页）
spear-tts-pytorchSpear-TTS-PyTorch 是一个基于 PyTorch 实现的多说话人文本转语音（TTS）注意力网络的开源项目。它复现了 Spear-TTS 模型，旨在★ 278
tetostetos 是一个为多种文本转语音（TTS）服务提供统一接口的 Python 库。它解决了开发者需要对接不同 TTS 提供商（如 Azure、Edge、Open★ 277
ControlSpeechControlSpeech 是一个基于 ACL 2025 论文的零样本语音克隆与语言风格控制开源项目。它解决的核心问题是：传统语音合成模型难以同时实现说话人音色★ 277
deepgram-js-sdkDeepgram 官方 JavaScript SDK，用于在浏览器和 Node.js 环境中集成 Deepgram 的语音 AI 服务。它解决开发者快速接入语音★ 277
vox-ai-motion-graphics-generator这是一个为编程代理（如 Claude Code、Codex）设计的智能体技能，能将任意主题自动转化为 Vox 风格的纸拼贴解释视频。它解决了从脚本到成片全流程自★ 276
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
guaardvarkGuardvark 是一个自托管的 AI 工作站，旨在将多种 AI 能力整合到本地硬件上运行。它解决了用户对数据隐私和云端依赖的担忧，提供了一套完整的本地 AI★ 271
praisesPraises 是一款基于 Tauri 和 Vue 的跨平台文本转语音（TTS）桌面工具，主要解决用户快速将文字转换为自然语音的需求。它利用 Azure Spe★ 270
JarvisJarvis 是一个基于语音的自然语言用户界面，旨在通过语音交互控制智能家居、车辆和日程管理。它解决了传统图形界面操作繁琐的问题，让用户可以用自然语言指令完成各★ 270
PL-BERTPL-BERT 是一个基于音素级 BERT 的文本到语音（TTS）韵律增强模型，通过引入音素级别的语言模型预测来提升合成语音的自然度和表现力。它解决了传统 TT★ 269
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
easy-speecheasy-speech 是一个基于 Web Speech API 的跨浏览器语音合成（TTS）库，零依赖，体积小巧。它解决了浏览器原生 speechSynthe★ 267
DB-GPT-WebDB-GPT-Web 是 DB-GPT 项目的 Web 界面，旨在将大语言模型能力扩展到视觉领域，实现“LLM to vision”的交互体验。它基于 Type★ 266
VoxSherpa-TTSVoxSherpa-TTS 是一个基于 Sherpa-ONNX 的 Android 离线神经文本转语音引擎，利用 Kokoro-82M 模型实现高质量语音合成。★ 266
LIHQLIHQ 是一个用于生成高质量 AI 虚拟主播/数字人视频的开源项目，核心目标是实现长文本推理下的高质量合成说话人效果。它结合了深度学习、文本转语音和数字人技术★ 265
speech-dataset-generatorspeech-dataset-generator 是一个用于创建带标签语音数据集的 Python 工具，主要解决语音识别、说话人识别等任务中训练数据难以获取和标★ 263
nix-ttsNix-TTS 是一个轻量级、端到端的文本转语音（TTS）开源项目，通过模块级蒸馏技术大幅压缩模型体积，同时保持高质量语音合成。它解决了传统 TTS 模型体积大★ 262
DailyTalkDailyTalk 是 ICASSP 2023 论文的官方实现，提供了一个面向对话场景的语音合成数据集和配套的非自回归 TTS 模型。它解决了传统 TTS 只能★ 262
HiFTNetHiFTNet 是一个基于神经网络的声码器（vocoder），用于将声学特征（如梅尔频谱）快速合成为高质量语音波形。它针对传统神经声码器推理速度慢的问题，提出结★ 262
soprano-factorySoprano-Factory 是一个用于训练超高速文本转语音（TTS）模型的开源项目，其核心目标是让开发者能够训练出比实时速度快 2000 倍的 TTS 模型★ 261
vietTTSvietTTS 是一个专注于越南语的开源文本转语音（TTS）库，基于深度学习技术构建。它解决了越南语语音合成缺乏高质量开源方案的问题，核心能力包括：使用 Tac★ 259
QTranslateQTranslate 是一款快速、可扩展的桌面翻译套件，支持翻译、OCR 文字识别、文本转语音和拼写检查，并内置插件系统。它基于 Kotlin 和 Java S★ 257
voxtreamVoXtream 是一个全流式零样本文本转语音（TTS）模型，主打极低延迟和语速控制。它解决了传统 TTS 需要等待完整音频生成才能播放的问题，以及零样本克隆中★ 256
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
ng2-pdfjs-viewerng2-pdfjs-viewer 是一个基于 PDF.js 的 Angular PDF 查看器组件，专为 Angular 2+ 设计，目前支持到 Angular★ 253
ukrainian-ttsukrainian-tts 是一个基于 ESPnet 工具包的乌克兰语文本转语音（TTS）开源项目。它主要解决乌克兰语语音合成资源匮乏的问题，为开发者提供可训练★ 252
keras-llm-robotkeras-llm-robot 是一个用于学习大语言模型（LLM）的 Web UI 项目，旨在通过可视化的方式帮助用户理解 LLM 的核心概念。它集成了聊天、量★ 251
nonparaSeq2seqVC_code这是一个基于非平行语料库的序列到序列语音转换（Voice Conversion, VC）实现代码。传统语音转换通常需要源和目标说话人的平行语料（即相同文本），而★ 248
KokoroSharpKokoroSharp 是一个基于 C# 和 ONNX Runtime 的本地 TTS（文本转语音）推理引擎，专注于为 .NET 开发者提供即插即用的语音合成能★ 248
DiffSingerDiffSinger 是一个基于 PyTorch 的开源歌声合成（Singing Voice Synthesis）项目，核心思想是将浅层扩散机制（Shallow★ 247
TalkifyTalkify 是一个轻量级的 JavaScript 文本转语音（TTS）库，旨在让网页开发者快速为网站添加语音朗读功能。它解决了网页内容无障碍访问和交互体验单★ 244
asmr-dubberasmr-dubber 是一个用 Python 编写的音视频字幕与配音工具，主要面向 ASMR、音声作品等需要跨语言处理的场景。它把语音识别（ASR）、台本导入★ 244
GoldenDict-OCRGoldenDict-OCR 是基于 GoldenDict++ 的增强版词典软件，主打更快的词典加载与搜索速度，即使面对大型词典库也能保持流畅。它在原版基础上集★ 244
go-astibobgo-astibob 是一个基于 Go 语言构建的 AI 框架，旨在帮助开发者快速搭建能够理解语音并回应的智能助手。它解决了从零开始集成语音识别（STT）和语音★ 243
voicenotifyvoicenotify 是一款用 Kotlin 开发的 Android 应用，核心功能是将手机通知转换为语音播报。它解决了用户在无法或不便查看手机时（如驾驶、运★ 242
PersonalJarvisPersonalJarvis 是一个面向智能体时代的开源本地 AI 助手，目标是把语音对话、编码代理、浏览器操作和桌面应用控制统一到一个入口。它解决的是当前 A★ 241
ttsmmsttsmms 是一个基于 Meta 的 Massively Multilingual Speech (MMS) 项目的文本转语音（TTS）工具，旨在为全球数百种★ 238
FastSpeech2FastSpeech2 是一个基于 PyTorch 的端到端文本转语音（TTS）实现，源自微软提出的 FastSpeech 2 模型。它解决了传统自回归 TTS★ 237
piper-pluspiper-plus 是一个多语言神经语音合成（TTS）引擎，基于 VITS 模型并引入韵律增强，支持日语、英语、中文、西班牙语、法语、葡萄牙语等 6 种语言（★ 237
portable-hermes-agentportable-hermes-agent 是一个将 Hermes Agent 打包为 Windows 便携式桌面应用的早期项目，旨在让用户无需安装、无需 Do★ 236
streamcore-serverstreamcore-server 是一个用 Go 编写的开源实时语音智能体服务器，专注于构建低延迟的语音对话应用。它通过 WebRTC（WHIP）协议提供实时★ 236
AI-InterviewAI-Interview 是一个开源的 AI 模拟面试系统，面向求职者练习面试、教育机构做实训。它用数字人面试官以语音方式提问，并根据你的回答动态追问，模拟真实★ 234
CrystalCrystal 是一个基于 C++ 实现的多语言文本转语音（TTS）合成引擎，以 SSML 规范作为统一接口。它旨在解决传统 TTS 系统碎片化、接口不统一的问★ 230
voicesmithVoiceSmith 是一个正在开发中的语音合成工具包，旨在简化文本到语音（TTS）模型的训练流程。它主要面向研究人员和开发者，解决了传统 TTS 训练中数据管★ 230
jetson-voicejetson-voice 是一个专为 NVIDIA Jetson 平台设计的深度学习推理库，专注于语音相关任务，涵盖自动语音识别（ASR）、自然语言处理（NLP★ 229
whisper-auto-transcribe这是一个基于 OpenAI Whisper 的自动音频转写工具，旨在提供简单易用的语音转文本解决方案。它解决了普通用户在使用 Whisper 时面临的命令行操作★ 229
fish-audio-pythonfish-audio-python 是 Fish Audio 官方推出的 Python 库，用于快速接入其文本转语音（TTS）和语音克隆 API。它解决了开发者★ 229
ronorronor 是一个用 Rust 编写的 Sonos 智能音箱控制工具，提供 API 和命令行界面。它解决了 Sonos 官方应用或脚本控制不便的问题，让用户可以★ 228
pflowtts_pytorchP-Flow TTS 的非官方 PyTorch 实现，基于 NVIDIA 的论文，采用 flow matching 技术进行文本到语音合成。该项目旨在复现论文中★ 228
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