Spirit LM开源项目 – 一个强大的语音识别与生成模型

Spirit LM是一个端到端的语音模型，提供基础版和高表现力版，能够进行高效的语音识别和生成，支持直接使用语音标记等多种特性，适用于复杂任务的处理。
Spirit LM的特点:
1. 基础版适合一般的语音识别和生成
2. 高表现力版可以捕捉语音中的情感特征
3. 直接使用语音标记、音高标记和声调标记
4. 无需先转文本描述
5. 在不需要大量数据的情况下完成复杂任务

Spirit LM的功能:
1. 自动语音识别
2. 文本转语音生成
3. 语音分类

相关导航

Wellsaidlabs官网 – 顶尖的AI语音平台

WellSaid Labs是一个领先的AI语音平台，能够实时将文本转换为高质量的语音，广泛应用于企业培训、广告、教育等多个领域。

Real-Time Voice Transcription – Chrome Extension-高效实时语音转文本工具

实时语音转录是一个先进的转录工具，能够将口语即时转化为格式化文本。它设计高效且准确，非常适合用于会议、采访、讲座等场合。

so-vits-svc开源项目 – 开源AI语音转换工具

So-vits-svc（也称Sovits）是一款基于VITS、soft-vc、VISinger2等技术的开源免费AI语音转换软件。它能够快速学习目标声音特征，实现高质量的语音克隆与变声，适用于多种场景如AI配音、虚拟主播、音乐翻唱等。

iListen官网 – 变革数字内容互动的AI工具

iListen是一个先进的AI工具，旨在通过高级音频处理和语言理解能力，增强数字内容的可访问性和理解力，特别适合希望将文本转化为自然语音的个人和专业人士，提升数字内容的可达性和吸引力。

Llama3-S开源项目 – 实现声音识别与文本理解的结合

Llama3-S是一个扩展文本基础的大型语言模型，具备原生的‘听力’能力。通过早期融合模型训练，Llama3-S实现了声音识别与文本理解的有效结合，适用于多种语言处理任务。

VanillaVoice官网 – 免费的文本转语音工具

VanillaVoice是一个免费的文本转语音工具，可以将任何文本转换为人声。它提供多种声音选择，包括男性、女性和儿童声音。用户只需输入文本，选择所需的声音，然后点击‘播放’按钮即可生成音频，还可以下载音频文件。

NVIDIA NeMo开源项目 – 生成式AI框架

NVIDIA NeMo是一个可扩展的云原生生成式AI框架，专为研究人员和PyTorch开发者设计，支持大语言模型（LLM）、多模态模型（MM）、自动语音识别（ASR）、文本转语音（TTS）和计算机视觉（CV）等领域。它旨在帮助用户高效地创建、定制和部署新一代AI模型，利用现有的代码和预训练模型检查点。NeMo基于Python配置，采用模块化抽象，支持在成千上万个GPU上进行大规模实验。

BFF AI官网 – 释放创造力与提升生产力的终极助手

BFF AI是一个全能平台，旨在帮助用户释放创造力并提升生产力。它结合了智能写作助手、图像生成器、语音转文本、文本转语音和AI代码生成器，重新定义了可能性。

Omni官网 – 让AI配音更易于创作者使用

Omni是一个旨在为创作者提供更便捷的AI配音解决方案的平台。通过先进的人工智能技术，Omni使用户能够轻松地将文本转换为高质量的语音，帮助他们在视频、播客和其他多媒体项目中实现专业的配音效果。

百聆开源项目 – 开源语音对话助手

百聆是一个开源的语音对话助手，结合了语音识别 (ASR)、语音活动检测 (VAD)、大语言模型 (LLM) 和语音合成 (TTS) 技术，旨在通过语音与用户进行自然的对话。该项目可以在无需GPU的情况下实现类GPT-4o的对话效果，适用于各种边缘设备和低资源环境。百聆具有高效开源模型、模块化设计、支持记忆功能、工具调用和任务管理等特点，提供高质量的语音对话体验，端到端时延800ms。

1min.AI官网 – 一款多功能的AI应用

1min.AI是一款集多种AI功能于一体的应用，支持多种AI模型，包括OpenAI、StabilityAI、Midjourney等，用户可以通过简单的操作实现聊天、图像生成、音频转录等功能。

Audeus: Text to Speech Reader官网 – 沉浸式文本转语音阅读器

Audeus是一个强大的文本转语音阅读器，支持PDF、Word文档等多种格式，帮助用户高效阅读和处理文本内容。

FlexClip官网 – 多功能在线视频编辑平台

FlexClip 是一个适合各类创作者的视频编辑平台，提供可定制的模板和丰富的库存照片、视频及音乐。它拥有强大的编辑功能，使用户可以轻松地修剪、合并、添加文本、音乐和过渡效果。AI 驱动的工具如自动字幕、文本转语音、AI 图像生成、文本转视频和 AI 脚本，提升了编辑体验。

ProtoReplicant开源项目 – 浏览器中的AI 3D化身语音接口

ProtoReplicant是一个在浏览器中实现的AI 3D化身语音接口，集成了语音活动检测、语音转文本、大语言模型、文本转语音和虚拟角色模型等技术，旨在提供一种互动性强的用户体验。

OSUM开源项目 – 多功能语音理解模型

OSUM是西北工业大学开源的一个语音理解模型，支持8种语音理解任务，涵盖从语音识别到情感识别，以及语音到文本的深度理解。它结合了Whisper和Qwen2，采用ASR+X训练策略，支持多任务同时训练优化，适用于多种语音处理场景。

STT开源项目 – 深度学习语音转文本工具包

STT是一个经过实战验证的深度学习工具包，专注于语音转文本技术，适用于研究和生产环境。

MockingBird开源项目 – AI拟声开源项目

MockingBird是一个AI拟声开源项目，能够在5秒内克隆声音并生成任意语音内容，特别支持中文普通话。项目基于PyTorch框架，支持在Windows、Linux、Mac操作系统上运行。提供了详细的部署教程、训练教程和使用教程，用户可以通过训练自己的模型或使用预训练模型来生成语音。项目还支持Web服务器部署，方便远程调用。