语音合成 / 识别

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。

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。

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

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。

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。

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。

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。

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。

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。

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。

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。

NVIDIA 开源的高效语音识别模型系列，含 CTC 与 RNN-Transducer 变体，支持流式与多语言。

开源全本地 ElevenLabs 替代品，支持语音克隆、配音、听写、转录与有声书，覆盖 646 种语言。

国产多模态通用大模型公司，自研文本、音频、图像、视频、音乐模型，并推出星野等 AI 原生产品。

开源本地化的 ElevenLabs 替代品，支持声音克隆、配音、听写与有声书，覆盖 646 种语言。

开源本地语音生成 WebUI，集成 20+ TTS、语音克隆与音乐生成模型，支持扩展安装。

基于 Gradio + React 的本地语音与音频生成 WebUI，通过扩展集成数十种 TTS、音乐与音频模型。

开源免费的语音转文字听写工具，支持本地 Whisper/Parakeet 模型与云端 BYOK，跨平台且隐私优先。

开源 Gradio 语音工作台，集成 Whisper 识别、零样本声音克隆、多语言 TTS 与翻译，可处理 YouTube 音频。

开源端侧实时语音工具包，低延迟语音转文字、意图识别与语音合成，无需联网和密钥

本地实时语音转文字工具，支持流式识别、说话人分离、翻译，兼容 OpenAI/Deepgram API。

Nari Labs 开源的 1.6B 参数 TTS 模型，一次生成超真实对话，支持情感、语气与非语言音效控制。

腾讯混元开源的 1.5B 语音生成与编辑基础模型，支持零样本 TTS、语音编辑与增强。

数字人平台，用照片或视频生成会说话的多语言 AI 虚拟人视频与实时对话代理。