语音合成 / 识别
共 177 个AI 用户与开发者推荐的语音合成 / 识别。
OpenAI 开源的通用语音识别模型,支持多语言转写、翻译与语种识别,可本地运行。
OpenAI Whisper 语音识别模型的 C/C++ 高性能移植版,无依赖、可离线本地运行
基于 CTranslate2 的 Whisper 语音识别重实现,速度更快、显存占用更低,支持量化与本地部署。
英伟达开源的语音 AI 框架,覆盖语音识别、语音合成与语音翻译,含 Nemotron 系列预训练模型。
开源语音音色转换(变声)框架,10 分钟语音即可训练模型,带网页界面与实时变声。
开源语音合成模型,用流匹配实现流畅自然的零样本声音克隆,训练与推理速度快。
开源少样本语音克隆与TTS项目,5秒零样本、1分钟微调即可复刻音色,支持多语言。
Resemble AI 开源的最先进 TTS 模型家族,支持多语言语音克隆与副语言标签,含 Turbo/Nano 轻量版。
NVIDIA 开源语音 AI 框架,支持语音识别、语音合成与语音大模型训练部署。
Whisper large-v3-turbo
huggingface.coOpenAI 开源的高效语音识别模型,支持多语言转录与翻译,速度更快。
Fish Audio 开源的 SOTA 多语言 TTS 系统,支持 80+ 语言与自然语言标签控制情感韵律。
开源本地 AI 语音工作室,支持声音克隆、语音合成与全局听写,7 种 TTS 引擎、23 种语言。
XTTS-v2
huggingface.coCoqui 开源的多语言语音克隆模型,仅需 6 秒音频即可克隆音色并跨语言合成语音。
开源离线语音识别工具包,支持 20 多种语言,模型仅约 50MB,可流式实时转写。
开源框架,用于构建可实时听、说、看的多模态语音 AI Agent,支持 WebRTC 与电话接入。
GPT-Realtime-2
developers.openai.comOpenAI 最强的实时语音模型,支持语音到语音对话、可调推理强度与可靠工具调用。
开源语音识别工具包,支持训练、推理、流式 ASR、VAD、标点与说话人分离,并提供 OpenAI 兼容与 MCP 服务。
百度飞桨开源的语音工具包,涵盖流式语音识别、语音合成、声纹识别与语音翻译,曾获 NAACL2022 最佳 Demo 奖。
面向对话场景的开源语音合成模型,支持中英文、多说话人,韵律自然,可控制笑声停顿。
基于新一代 Kaldi 与 onnxruntime 的离线语音工具库,支持识别、合成、说话人分离等,跨平台多语言。
基于 Whisper 的快速语音识别工具,支持词级时间戳与说话人分离,速度可达实时 70 倍。
基于大模型的多语言语音生成系统,支持零样本语音克隆、流式合成与指令控制。