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。

超写实 AI 语音平台，提供语音合成、克隆、配音与语音 Agent，支持 70+ 语言。

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。

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。

OpenAI 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。

Coqui 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。

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。

AI 语音平台，提供超低延迟 TTS API、200+ 拟真音色与对话式语音 Agent，支持 35+ 语言。

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。

Suno 开源的 Transformer 文本转音频模型，可生成多语言语音、音乐、音效与非语言声音

开源 Python 框架，用于构建实时语音与多模态 AI 智能体，支持多智能体协作与低延迟对话。

微软 Azure 的语音 AI 服务，提供语音识别、文本转语音、翻译和自定义语音模型。

轻量级开源 TTS 模型，仅 8200 万参数，质量媲美大模型，速度快、成本低，Apache 许可。

OpenBMB 开源的无分词器 TTS 系统，2B 模型支持 30 种语言、音色设计与克隆，输出 48kHz 音频。