tts

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

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）

开源语音合成工作室

🤖 开源免费的OpenAI、Claude及其他AI平台的替代方案。支持自主托管且本地优先，可作为OpenAI的即插即用替代方案运行于消费级硬件，无需GPU。兼容gguf、transformers、diffusers等多种模型架构。功能包括：文本生成、音频处理、视频制作、图像生成、语音克隆、分布式点对点推理。

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

MIT与MyShell联合开发的即时语音克隆技术

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。

顶尖开源文本转语音系统

TypeScript AI智能体框架 ⚡ 支持助手、RAG和可观测性。兼容所有大语言模型：GPT-4、Claude、Gemini、Llama

🚀 AI 短视频引擎 | AI全自动短视频引擎

Readest是一款功能丰富的现代电子书阅读器，专为热爱阅读的用户设计，提供无缝跨平台访问、强大工具和直观界面，以提升您的阅读体验。

工业级可控高效的零样本文本转语音系统

🚀 AI全自动短视频引擎

从电子书生成有声书，支持语音克隆及1107种以上语言！

🌈 一款跨平台的划词翻译与OCR软件

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

闪电般快速、设备端运行的多语言TTS——通过ONNX原生执行。

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。

基于大语言模型的视频翻译配音工具，支持99种语言双向翻译，提供一键式全流程部署，可生成适配YouTube、TikTok和Shorts等平台的内容

面向边缘设备的快速准确自动语音识别

基于开源TypeScript AI智能体框架构建的AI智能体工程平台

将电子书转换为有声读物

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。