一个实时文本到语音转换库，通过识别句子片段来实现即时的听觉反馈，适用于需要即时音频响应的应用程序。

PDF2Audio是一个开源项目，旨在为用户提供一种从PDF文件生成音频内容的灵活解决方案，支持多种类型的音频内容生成，如播客、讲座、讨论以及短/长篇摘要，适用于教育、娱乐和信息传播场景。

用于标注语音数据集的实用脚本套件，旨在为基于语音的人工智能模型（如文本到语音引擎）开发过程中所需要的音频变换（或注释）提供简洁、干净的代码库

基于Node.js、Vue3、uniapp的AIGC平台，集成ChatGPT、Midjourney绘画、Suno音乐、视频服务等，支持私有化部署，适用于个人、团队和企业。该平台为用户提供了一站式的AI解决方案，能够满足不同用户的需求，包括创意写作、艺术创作和内容生成等。

kokoroTTS是一个文字生成语音模型，现已推出WASM版本，可以直接在浏览器中运行，支持高质量的语音生成，适配多种硬件，快速生成语音，方便用户在各种场景下使用。

Open-Lyrics是一个可以将音频转录为文本并翻译为LRC格式文件的工具，使用先进的whisper和gpt技术，支持多种语言，方便用户生成音乐字幕。

用Rust语言实现的超快文本转语音（TTS）引擎，只需一个命令就能合成高质量语音，支持多种语言，让语音合成变得简单快捷

GTSinger是一个全球性多技术歌唱语料库，提供真实的乐谱，适用于各种歌唱任务。

Unsupervised-TTS是由Cheng-I Jeff Lai开发的无监督语音合成系统，旨在利用无监督学习算法提高语音合成的质量和效率，同时支持多种语言，便于与现有系统集成。

whisper-cli-rs是一个使用Rust编写的命令行工具，基于whisper.cpp，支持多种音频格式，实现实时语音转文本，并允许用户自定义模型选择。

NExT-GPT 是一个支持多种输入和输出形式的多模态大语言模型，具有灵活的处理能力，可广泛应用于文本、语音、图像和视频等多种场景。

StableTTS是一个轻量级的文本到语音（TTS）模型，专为汉语和英语的语音生成服务而设计。该模型仅有10M的参数，适合在资源有限的环境中使用。它基于流匹配和DiT技术，是下一代TTS模型，灵感来源于Stable Diffusion 3，能够高效地产生自然流畅的语音。

Groqnotes 是一个结合 Groq 的 Whisper API 和 Llama3 模型的工具，能够从音频文件生成结构化笔记。它利用 Whisper-large 进行音频转录，并通过 Llama3 生成笔记结构和内容，支持 Markdown 样式，能够创建包含表格和代码的笔记。此外，它还能智能切换 Llama3-8b 和 Llama3-70b 模型，以平衡生成速度和质量。生成的笔记可以导出为文本或 PDF 文件，优化学习和复习过程。

该项目能够根据上传的音乐文件生成对应的视觉图像，适用于视频制作和艺术创作，能够将音乐与视觉艺术结合，为创意项目提供灵感。

一个将PDF内容转换成自然对话形式的音频播客工具，支持输出为MP3文件，让你的知识和信息以声音的形式传播

一个强大高效、低延迟的语音转文本工具，支持状态监测和唤醒词触发。

Diarizers是一个用于微调pyannote说话人辨识模型的库，利用Hugging Face生态系统，提供了便捷的模型训练和评估功能。

为开发者提供的极简版音乐生成模型，简化了Meta的MusicGen模型代码，让开发者更容易上手和修改，实现高质量音乐创作。

该数据集为SVC/SVS/TTS任务提供高质量的《原神》角色语音数据，支持多种语音风格和角色，包含详细的音频标注和文本转录，适合语音合成、转换及相关研究。

这是一个专为边缘设备设计的Transformer模型推理库，旨在实现低成本、低能耗的处理。它能够以30倍的实时速度运行tiny.en Whisper模型进行语音转录，相较于最知名的实现速度快2倍，非常适合在资源受限的环境中使用。

一个一键整合包，上传一段视频即可让图片唱歌说话，甚至可以驱动动物表情！

Whisper Turbo是一个跨平台的GPU加速版Whisper，能够在客户端浏览器或Electron应用里运行，提供高效的语音识别功能，便于开发者集成，支持多种音频格式的识别和实时语音处理。

ebook2audiobookXTTS是一款功能强大的电子书转有声书工具，能够自动分章节并保留电子书的元数据，支持多种语言的转换和声音克隆功能，为用户提供灵活便捷的有声书制作体验。

将OpenAI的实时对话控制台移植到Streamlit，提供更直观的交互体验，支持音频流的发送和播放，旨在提升用户的对话体验和互动性。

Wenet STT Python是一个基于WeNet的语音识别库，旨在提供高效、准确的语音转文本功能。它支持多种语言，能够实时处理语音输入，并允许用户自定义模型以满足特定需求，易于与现有Python项目集成。

WhisperPlus 是一款先进的语音转文本处理工具，致力于提供高准确率的语音识别，支持多种语言，并具备实时转录功能。它能够处理不同音质的音频，并提供用户友好的API接口，方便开发者进行集成和使用。

聊天文本转语音工具，让语音合成更快速、支持声音克隆和移动部署，提升语音交互体验

GLM-4-Voice 是由智谱 AI 开发的端到端中英语音对话模型，能够实时理解和生成中英文语音，并具备修改语音情感、语调、语速和方言等属性的功能。该模型支持情感共鸣、打断功能、多语言多方言，适用于灵活对话互动。

RIFT-SVC是一款基于Rectified Flow Transformer的歌声转换模型，能够将一个歌手的歌声转换成另一个歌手的风格，让音乐创作和演绎更加多样化和个性化。该模型采用先进的技术，确保高质量的转换效果，并支持多种歌手风格的实现，便于用户集成和使用。

基于Whisper语音识别模型的超快音频转文字命令行工具，用Whisper Large v2在10分钟内转录300分钟音频。该工具优化了转录速度，支持多种音频格式，并具有高准确率的语音识别，适合批量处理大型音频文件。