Zonos是由Zyphra开发的开源多语言文本转语音(TTS)模型，支持英语、日语、中文、法语和德语五种语言。 该模型基于超过200,000小时的多语言语音数据训练，能够通过几秒钟的音频样本实现高质量语音克隆，生成44kHz高保真音频。 在RTX 4090上可实现2倍实时性能的生成速度，支持情感语音生成(如快乐、恐惧、悲伤、愤怒等)， 并提供对语速、音高和音频质量的精细控制。项目采用Apache 2.0许可证发布，包含1.6B变压器模型和1.6B混合模型两种架构。
EasyBertVits2是一个简化了Bert-VITS2模型使用的工具，可以从文章生成富有情感的语音，提供高质量的语音合成，便于开发者和用户使用。
Seed-TTS能生成与我们说话几乎没有区别的语音，非常逼真。支持英文、中文等。能够处理叙述性、情感表达、描述性等多种文本，能根据不同的情感和语境生成相应的语音！
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。
Fish Speech是一款具有高度自定义和灵活性的文本转语音(TTS)解决方案，支持Linux和Windows系统，能够满足多种应用需求。
AI实时变声工具
本文介绍了一个名为DDSP-SVC 3.0的开源项目，它是一个可以替代低配SO-VITS-SVC的工具。使用该工具，可以用更低的显存和更短的时间训练出模型，生成AI音乐。尽管生成的音乐质量相对较低，但可以用于快速生成音乐。
OuteTTS是一个实验性的文本到语音模型，采用纯语言建模方法生成语音，致力于提升语音合成的自然性和可控性。
DevMind是一个集成各种AI能力的创意平台，支持聊天补全、图像生成、人脸交换、语音转换、吉祥物创建、魔法头像、二维码艺术、视觉AI、图像放大等功能，现阶段可免费使用。
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
Coqui是一个平台，利用生成AI技术提供真实且富有情感的文本转语音配音服务。用户可以通过提供3秒的音频来克隆声音，或从可用的AI声音中选择。通过AI情感和语音控制功能，用户可以调整声音的风格、节奏和情感。高级编辑器允许用户对每个句子、单词或角色的音调、音量等进行细致调整。用户还可以使用多个表演保存不同的表现，并通过时间线编辑器指导场景。Coqui Studio提供项目管理功能，帮助用户组织工作。
ttotalk 是一个免费的文本转语音工具，支持超过50种语言和声音风格。它使用强大的神经网络技术，使语音听起来更加自然。用户可以在线收听或下载音频文件，格式为mp3或wav。
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。
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。
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。
Zeniteq是一个致力于生成性人工智能不断演变的新闻杂志，旨在提供有关各种AI领域的最新新闻和更新，包括对话式AI、图像和视频生成器以及音频合成技术的报道。
