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。

基于 Apple MLX 框架构建的文本转语音 (TTS)、语音转文本 (STT) 和语音转语音 (STS) 库，可在 Apple Silicon 上提供高效的语音分析。

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

闪电般快速、设备端运行的多语言TTS——通过ONNX原生执行。

Silero模型：提供预训练语音转文本、文本转语音和文本增强模型，极致简化实现

按模型组织的尖端深度学习脚本——易于在企业级基础设施上进行训练和部署，并具备可复现的准确性与性能。

eSpeak NG是开源语音合成器，支持上百种语言和口音

工业级可控高效的零样本文本转语音系统

一个可扩展的生成式 AI 框架，专为从事大语言模型、多模态及语音 AI（自动语音识别与文本转语音）的研究人员和开发者构建。

专为从事大语言模型、多模态和语音人工智能（自动语音识别与文本转语音）的研究人员和开发者打造的可扩展生成式AI框架

SGLang-Omni 为 TTS、ASR、语音和全向模型提供高性能服务。

设备端实时多模态AI。与完全运行在您本机上的AI进行自然的语音和视觉对话，由Gemma 4 E2B和Kokoro驱动。

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）

MIT与MyShell联合开发的即时语音克隆技术

OpenPose：支持身体、面部、手部和足部关键点识别的实时多人检测库

一款用于音频模型的一体化纯 C++ 推理引擎，由 ggml 提供支持。支持TTS、STT、VAD、语音转换、音乐生成等，性能高度优化。没有 Python 依赖。

实时语音翻译——支持macOS和Windows，免费TTS，无需服务器，仅需使用你自己的API密钥

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。

大语言模型微调与强化学习 🦥 以2倍速度训练OpenAI gpt-oss、Qwen3、Llama 4、DeepSeek-R1、Gemma 3，节省70%显存