speech

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。

通过聆听这些精彩讲座，沉浸式学习深度学习、强化学习、机器学习、计算机视觉和自然语言处理！！

OpenVINO™是用于优化和部署AI推理的开源工具套件

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

支持本地模型（Nvidia Parakeet/Whisper）与云端模型（BYOK）的语音转文字听写应用，注重隐私优先，并实现跨平台兼容。

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。

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。

eSpeak NG是开源语音合成器，支持上百种语言和口音

成为顶尖的人工智能与机器学习研究工程师

面向苹果芯片的端侧语音人工智能

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

在手机、可穿戴设备及AI原生硬件上本地运行人工智能

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。

Local voice dictation for mac, windows and linux

开放歌唱合成平台 / 开源UTAU继任者

顶尖自然语言处理技术

基于Windows LiveCaptions的轻量级强大实时音频/语音翻译工具

开源语音代理平台

开放歌声合成平台/开源UTAU后继项目

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。

在您的设备上即时生成AI驱动的字幕。可独立运行或连接达芬奇调色软件。

在您的应用中集成前沿CoreML音频模型——文本转语音、语音转文本、语音活动检测及说话人分离。基于Swift开发，由顶尖开源技术驱动。

A realtime voice runtime that keeps Agents talking, working, and present. Real-time Voice Runtime for AI Agents

MOSS‑TTS 系列是由 MOSI.AI 与 OpenMOSS 团队开发的开源语音与声音生成模型系列。