Audioflare是一个基于Cloudflare AI Workers的全能音频平台，能够转录、分析、摘要和翻译任何音频文件。

Kesha v3.0 是一个实验项目，结合了 Silero 的文本转语音、Vosk 的语音转文本、Picovoice Porcupine 的唤醒词检测和 ChatGPT 的智能对话功能，旨在提供自然流畅的语音交互体验。

这是一个视频翻译配音工具，可将一种语言的视频翻译为指定语言的视频，自动生成和添加该语言的字幕和配音，并支持API调用。

一个离线运行的本地语音识别转文字服务，能够输出json、srt字幕及纯文字格式，支持多种语言和自定义词汇，提供高准确率的语音识别功能。

非常强大的GPT网页客户端，开源、现代化设计的 ChatGPT/LLMs 聊天应用与开发框架，支持语音合成、多模态、可扩展的插件系统。

WhisperX是一个强制时间对齐的时间戳精确版Whisper语音识别工具，能够高效地进行多语言的语音识别，并生成带有精确时间戳的文本转录，适用于各种音频处理场景。

sherpa-ncnn 是一个使用下一代 Kaldi 和 ncnn 构建的实时语音识别系统，支持多种语言和方言，具备低延迟性能，适合各种实时应用场景。它提供灵活的模型部署选项，并兼容 Kaldi 的最新技术，能够满足开发者的多样化需求。

AI Voice Chat是一个基于React的语音交互应用，结合了Whisper Large v3、openchat 3.5 AWQ和XTTS v2技术，支持低延迟的语音对语音交互。项目在单个RTX 3090 GPU上运行，显存占用33G，比ChatGPT语音演示视频的延迟减少了一半以上。它能够高效地进行语音识别和合成，支持多种语言和方言，适用于实时语音聊天、客服机器人、智能家居设备、教育平台等多种场景。

OpenVoice 是一个由 MyShell 与 MIT 联合开发的开源文本转语音模型，支持多语言语音克隆与合成。其最新版本 OpenVoice V2 仅需一小段人声即可克隆语音，并提供细粒度控制功能，适用于语音助手、游戏角色语音、多语言音频内容生成等多种场景。

AudioGradio是一个集成了Audiocraft MusicGen和AudioGen的Web界面，用户可以通过简单的操作生成高质量的音频内容，体验音乐创作的乐趣。

该课程提供了基于Transformer架构的音频处理技术，包含丰富的音频数据集和预训练模型，支持多种音频任务如分类、生成和转录，并结合实用示例和代码演示，帮助学习者掌握音频处理的最新技术。

SwiftWhisper是基于Whisper.cpp二次封装后，让Swift方便调用的库，基于它可以方便的开发语音识别转文字类的Whisper应用。

Emotivoice是一个支持情感提示控制的中英双语语音合成TTS引擎，提供多达2000种语音选项，旨在通过情感分析与合成技术提升语音交互体验。

一个名为 insanely-fast-whisper 的新实现，使用 OpenAI's Whisper Large v3，适用于 Mac 或 Nvidia GPU，结合 Whisper + Pyannote 库加速音频转录和语音分段。

Meta 新推出的实时语音翻译模型 Seamless，能保持原声的表情和风格。该模型具备强大的语音生成和翻译能力，超越了现有的技术，提供自然流畅的多语言交流体验。

一个用于文本到语音生成的Web用户界面，支持多种语音合成模型，用户可以轻松创建高质量的语音合成音频。

metahuman-stream 是一个基于ernerf模型的流式数字人项目，实现音视频同步对话，基本可以达到商用效果。该项目支持多种数字人模型（如ernerf、musetalk、wav2lip），并具备声音克隆、数字人说话被打断处理、全身视频拼接等功能。此外，它还支持rtmp和webrtc推流，以及视频编排（在不说话时播放自定义视频）。通过与ChatGPT、Qwen和Gemini等大语言模型集成，实现更智能的数字人对话。

该项目结合了视频语音识别与字幕翻译技术，能够自动识别视频中的语音并生成字幕，同时支持多种语言的翻译功能，旨在提升视频内容的可访问性和多语言观众的体验。

Talk是一个基于whisper.cpp和llama.cpp的项目，旨在实现与计算机的直接语音对话。它整合了先进的语音识别和生成技术，支持自然语言处理，能够实时响应用户的语音指令，并提供用户友好的界面，方便易用。

OpenAI的Whisper高质量语音识别模块C/C++移植版，支持在iOS和Android上运行，提供真人级别的识别效果，完全免费，具有开源、低内存和跨平台特性，适合资源受限环境。

WhisperSpeech 是一个强大且易于定制的文本转语音工具，基于 Whisper 的语音转文本技术，能够提供高质量的语音合成，并支持多种语言和口音。该项目是开源的，允许用户自由使用和修改，同时也适用于商业项目。

ollama-voice-mac是一个在Mac上完全离线运行的语音助手，利用Mistral 7b模型进行自然语言处理，同时采用Whisper模型进行语音识别，提供用户友好的体验和多种语音指令支持。

从音频到照片真实的体现：在对话中合成虚拟人物形象。该项目可以从多人对话中的语音生成与对话相对应的逼真面部表情、完整身体和手势动作。

lp-music-caps是一个基于大语言模型（LLM）技术的项目，旨在生成高质量的音乐字幕，支持多种音乐风格和类型。

这个项目可以让用户与大语言模型进行自然的语音对话，结合先进的语音转录和文本到语音技术，提供流畅的交互体验。

语音克隆项目通过提取人类的音色，将文本或其他语音转换为特定的音色，提供个性化的语音合成解决方案。该项目支持从文本生成语音以及将已有的语音样本转化为克隆音色，适用于多种应用场景。

textlesslib是一个专为无文本口语处理设计的库，集成了多种先进的AI模型，提供高效的音频特征提取，支持多种语言的处理，且开放源代码，易于扩展。

ChatGLM2 Voice Cloning项目结合了ChatGLM2-6B模型和声音克隆技术，允许用户与自己喜爱的角色进行沉浸式对话。用户可以通过输入文本与角色互动，同时利用声音克隆技术实现个性化的语音体验，满足不同用户的需求。该项目不仅支持与任何角色进行对话，还提供了可定制的语音特征和友好的用户界面，让互动变得更加简单和有趣。

这是一个收录音频驱动手势生成相关论文的资源列表，提供实用的代码示例和实现，涵盖最新的研究成果并持续更新，旨在帮助研究人员和开发者深入了解和实验手势生成技术。

wscribe是一个开源的语音到文字转换工具，基于whisper的前端，提供灵活的音频处理和后处理选项，旨在提高语音转录的效率和准确性。