1分钟的语音数据也可以用来训练一个好的TTS模型！ （几张声音克隆镜头）

顶尖开源文本转语音系统

MIT与MyShell联合开发的即时语音克隆技术

工业级可控高效的零样本文本转语音系统

YuE2：具有象征性规划、零镜头翻唱和代理音乐编辑的前沿音乐生成。

为创作者和开发者打造的Gradio WebUI，具备核心TTS功能（Edge-TTS、kokoro）和零样本声音克隆（E2与F5-TTS、CosyVoice），并集成Whisper音频处理、YouTube下载、Demucs人声分离和多语言翻译。

Stream 推出的开放视觉智能体平台。使用任意模型或视频提供商快速构建视觉智能体。利用 Stream 的边缘网络实现超低延迟。

仅使用单个图像进行实时换脸和一键视频深度换脸

端到端语音识别基础工具包与开源SOTA预训练模型，支持语音识别、语音活动检测、文本后处理等功能。

VoxCPM：面向上下文感知语音生成与逼真音色克隆的无分词器文本转语音系统

Netflix级字幕切割、翻译、对齐、甚至加上配音，一键全自动AI视频字幕团队

为生成式人工智能准备好你的文档

说话人日志神经构建模块：语音活动检测、说话人变更检测、重叠语音检测、说话人嵌入

VoiceStudio 是 ElevenLabs 的开源、完全本地化替代方案 — 提供 646 种语言的语音克隆、语音设计、视频配音、听写、转录和有声读物创建。

开源语音合成工作室

高质量PDF转Markdown和JSON工具。一站式开源数据提取解决方案，实现PDF到Markdown与JSON格式的精准转换。

强大的实时语音AI智能体构建框架 🤖🎙️📹

开源 SenseVoiceSmall 模型，适用于普通话、粤语、英语、日语和韩语 ASR、语言 ID、情绪识别和音频事件检测。

适用于语音代理、多模式应用程序和实时人工智能的开源框架。由 Daily 和社区维护。

面向对话式语音人工智能代理的开源框架。