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

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。

语音转语音：致力于构建开源模块化GPT4-o的项目

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。

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。

闪电般快速、设备端运行的多语言TTS——通过ONNX原生执行。

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。

将视频从一种语言翻译为另一种语言，并嵌入配音与字幕。

基于新一代Kaldi与onnxruntime的离线语音转文字、文字转语音、说话人日志、语音增强、源分离及语音活动检测技术。支持嵌入式系统、Android、iOS、HarmonyOS、树莓派、RISC-V架构、x86_64服务器、WebSocket服务端/客户端，兼容12种编程语言。

eSpeak NG是开源语音合成器，支持上百种语言和口音

面向苹果芯片的端侧语音人工智能

将您的PC、Mac或Linux设备转变为AI服务器，支持大语言模型推理、聊天界面、语音、智能体、工作流、RAG及图像生成。

开源语音代理平台

将您的PC、Mac或Linux设备转变为AI服务器，支持LLM推理、聊天界面、语音、智能体、工作流、RAG及图像生成。

随处可用的本地AI，人人皆可——涵盖LLM推理、聊天界面、语音、智能体、工作流、RAG及图像生成。无需云端，无需订阅。

Portable local AI studio for Windows, Linux, and macOS. Zero-setup GUI for Image Generation, GGUF LLMs, Text to Speech & Speech to Text

适用于 Windows、Linux 和 macOS 的未经审查的本地 AI 工作室。用于图像生成、GGUF LLM、文本转语音和语音转文本的零设置 GUI

SGLang-Omni 为 TTS、ASR、语音和全向模型提供高性能服务。