aiknow

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。

全部 AI 创作AI 绘图 209AI 视频 237AI 音乐 48音频处理 20语音合成 / 识别 80数字人 36AI 换脸 / 人脸融合 11AI 去水印 / 消除 13AI 3D 68AI 游戏 / 游戏开发 28AI 设计 95

VideoLingo

github.com★ 18,691

一键全自动视频字幕组:语音识别、字幕切割翻译、对齐与配音,支持多语言。

开源中文界面多模态可自部署GPT本地模型
语音合成 / 识别 · 1 处推荐

Qwen3-TTS

github.com★ 13,666

阿里通义千问团队开源的语音合成模型系列,支持流式生成、音色设计与声音克隆

开源可自部署本地模型通义千问LinuxMac
语音合成 / 识别 · 1 处推荐

Bark

github.com★ 39,271

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

开源可自部署本地模型LinuxWindowsMac
开源模型 · 2 处推荐

Pipecat

github.com★ 16,184

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。

开源有 API多模态可自部署LinuxMac
语音合成 / 识别 · 1 处推荐

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。

有 API多模态网页
官方 API 平台 · 2 处推荐

开源离线语音识别工具包,支持20多种语言,可在树莓派、手机等轻量设备上运行。

开源有 API可自部署本地模型AndroidiOS
语音合成 / 识别 · 1 处推荐

Kokoro-82M

huggingface.co

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。

开源可自部署有 API本地模型网页Linux
开源模型 · 1 处推荐

VoxCPM

github.com★ 38,398

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。

开源可自部署中文界面本地模型LinuxWindows
语音合成 / 识别 · 1 处推荐

SenseVoiceSmall

huggingface.co

FunAudioLLM 开源的多语言语音理解模型,支持 ASR、语种识别、情感识别与音频事件检测,推理极快。

开源可自部署本地模型LinuxMacWindows
开源模型 · 1 处推荐

Deepgram

deepgram.com

企业级语音 AI 平台,提供实时语音转文字、文字转语音与语音 Agent API,低延迟可自托管。

免费+付费有 API可自部署网页
语音合成 / 识别 · 1 处推荐

RealtimeTTS

github.com★ 4,038

Python 实时文本转语音库,支持流式合成、多引擎切换与语音克隆,低延迟。

开源可自部署本地模型通义千问LinuxWindows
语音合成 / 识别 · 1 处推荐

VibeVoice-1.5B

huggingface.co

微软开源的长篇多说话人语音合成模型,可生成播客级对话音频,最长 90 分钟、最多 4 位说话人。

开源可自部署本地模型网页LinuxWindows
开源模型 · 1 处推荐

parakeet-tdt-0.6b-v3

huggingface.co

英伟达开源的多语言语音识别模型,6 亿参数,支持 25 种欧洲语言自动识别转写

开源本地模型LinuxMacWindows
开源模型 · 1 处推荐

Tortoise TTS

github.com★ 14,877

注重音质与多音色的开源文本转语音系统,韵律自然,支持本地 GPU 推理。

开源可自部署本地模型LinuxWindowsMac
语音合成 / 识别 · 2 处推荐

Podcastfy

github.com★ 6,770

开源 Python 工具,将网页、PDF、图片、YouTube 等多模态内容转为多语言播客音频对话。

开源有 API可自部署多模态GPTGemini
语音合成 / 识别 · 1 处推荐

MiniMax

minimax.io

中国多模态大模型公司,自研文本、语音、视频、音乐模型,并推出多款 AI 原生应用。

国际版有 API多模态中文界面网页
国产大模型 · 1 处推荐

Amphion

github.com★ 10,305

开源音频、音乐与语音生成工具包,支持 TTS、歌声合成、音色转换等任务,注重可复现研究。

开源可自部署LinuxWindowsMac
语音合成 / 识别 · 1 处推荐

Mistral 开源的前沿文本转语音模型,4B 参数,低延迟、多语言、20 种预设音色,适合语音 Agent。

开源有 API可自部署本地模型Linux网页
语音合成 / 识别 · 1 处推荐

RealtimeSTT

github.com★ 10,166

低延迟实时语音转文字 Python 库,支持语音活动检测、唤醒词与即时转写。

开源可自部署本地模型LinuxMacWindows
语音合成 / 识别 · 2 处推荐

Fish Audio

fish.audio

高表现力 AI 语音平台,支持 TTS、语音克隆与语音转文字,情感控制强,15 秒克隆音色。

免费+付费有 API多模态中文界面网页
语音合成 / 识别 · 1 处推荐

IndexTTS

github.com★ 24,357

工业级零样本语音克隆 TTS 系统,单段参考音频即可克隆音色,支持多语言与情感、语速、发音精细控制。

开源可自部署多模态本地模型Linux网页
语音合成 / 识别 · 2 处推荐

WhisperLive

github.com★ 4,308

基于 OpenAI Whisper 的近实时语音转写服务,支持麦克风与音频文件,可自建服务器。

开源可自部署有 API本地模型LinuxMac
本地部署 / 运行 · 1 处推荐

ElevenLabs Music

elevenlabs.io

ElevenLabs 推出的 AI 音乐生成器,可生成歌词、伴奏与带人声的完整歌曲,支持多语言与局部重绘。

免费+付费有 API网页
AI 音乐 · 1 处推荐

Respeecher

respeecher.com

面向影视与媒体制作的专业 AI 语音克隆与配音工具,支持跨语言克隆和情感化语音合成。

有 API网页
语音合成 / 识别 · 1 处推荐