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。
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。
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
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。
Azure Speech in Foundry Tools
azure.microsoft.com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。
Vosk Offline Speech Recognition API
alphacephei.com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。
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。
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。
SenseVoiceSmall
huggingface.coFunAudioLLM 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。
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。
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。
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。
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
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 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。
Voxtral TTS(Mistral)
huggingface.coMistral 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。
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。
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。
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。
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。
ElevenLabs Music
elevenlabs.ioElevenLabs 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。