语音克隆

MegaTTS3是字节跳动开源的轻量级语音合成系统，基于PyTorch实现，支持中英双语及代码切换。其核心采用仅0.45B参数的扩散Transformer模型，可实现高质量零样本语音克隆，并提供口音控制、细粒度发音调节等功能。项目包含语音对齐器、音素转换模型和WaveVAE编解码器等子模块，适用于学术研究及多场景语音合成需求。

Nanospeech 是一个基于 PyTorch 和 MLX 的研究导向型文本转语音（TTS）系统，具有模型小巧（82M参数）、训练高效（单卡H100几天完成）和生成速度快（3-5倍实时）的特点。支持语音匹配功能，提供多种内置语音选项，并兼容多GPU训练和流式数据加载。

HaiLuo Voice AI 是由 MiniMax 开发的语音 AI 产品，采用 T2A-01-HD 模型，支持 17 种语言和超过 300 种音色。该产品能够生成最多 10,000 字的语音，质量经过严格测试，适用于各种复杂场景。用户可以自定义语音参数，如情感、语速、音高和音色效果。此外，它还支持语音克隆，只需 10 秒音频即可捕捉语音的细微差别和情感底色，适合电影配音、有声书制作和高端虚拟助手的专业应用。

RuoYi AI是一个基于ruoyi-plus框架的后端开发项目，专注于集成AI聊天和绘画功能。该项目完全开源免费，采用Java17和SpringBoot 3.X技术栈，旨在帮助开发者快速构建具备AI能力的应用，特别适合企业级应用的开发，如OA、HR、CRM等。项目支持多种AI模型，如ChatGPT4、Dall-E-3等，并提供语音克隆、文生图、微信小程序对接等功能。后台管理界面基于elementUI，操作简便，代码完全开放，方便二次开发和学习。

Llasa 3b Tts 是 Hugging Face 上 srinivasbilla 创建的一个非官方演示空间，用于展示基于 Llasa-3B 模型的零样本语音克隆功能。Llasa-3B 模型由香港科技大学开发，是基于 LLaMA 的文本转语音（TTS）系统，支持中英双语，训练数据达 250,000 小时。该空间允许用户从纯文本生成语音，或通过语音样本提示生成具有类似风格和情感的语音，特别适用于语音助手、配音和个性化语音场景。

豆包同声传译模型基于豆包大模型的语音理解能力，提供高质量、低延迟的端到端同声翻译服务。它支持跨语言同音色翻译，并能识别粤语、上海话等方言，适用于会议翻译、线上直播等实时场景。项目通过火山引擎控制台或API使用，功能包括实时语音翻译和语音克隆，帮助用户在跨语言交流中保持语音的自然性和一致性。

LocalAI是一个开源的OpenAI替代品，支持多种模型架构，包括文本生成、图像生成、音频生成和语音克隆等功能。它提供了一个与OpenAI API兼容的REST API，可以在本地或私有云上运行，无需昂贵的GPU。LocalAI旨在提供低成本、高效的AI推理解决方案，适用于需要在本地环境中执行AI任务的开发者。它支持多种模型架构，如llama.cpp、transformers、diffusers等，并具有分布式和P2P推理功能，能够在消费者级硬件上运行。

ComfyUI_SparkTTS 是一个基于 Qwen2.5 构建的开源模型，专注于合成语音和语音克隆。它提供简单高效的语音生成解决方案，支持高质量语音克隆、双语生成以及语音参数的可控调整，适用于多种场景。

Applio是一款基于VITS模型的语音转换工具，专注于简洁性、质量和性能。它经过精心优化，旨在提供卓越的性能、模块化和用户友好的体验。支持多种语音转换场景和多语言翻译，适用于语音合成、语音克隆、音频编辑等多种任务。

Step-Audio是阶跃开源的一个统治级130B超大语音模型，业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统。它支持多语言对话、情感语气、地区方言、可调节语速以及韵律风格，并包含多个功能强大的子模型，如Step-Audio-Tokenizer、Step-Audio-Chat和Step-Audio-TTS-3B。通过ToolCall机制和角色扮演增强，Step-Audio在复杂任务中的表现尤为出色。

VMEG - Video Translator是一款先进的AI工具，旨在通过高质量的视频翻译服务，打破语言障碍，保留原内容的语气、意图和文化细微差别，使全球观众更易于接受，适合市场营销者和内容创作者使用。

TranslateVideos是一个创新平台，提供无缝的视频翻译和本地化服务，具备语音克隆和口型同步功能，打破语言障碍，面向全球观众。

Big Speak是一款创新的AI软件，能够轻松地将文本生成多种语言的高质量音频。它利用先进的机器学习算法生成逼真的声音片段，并支持多种功能，如语音克隆和音频转录，适用于内容创作、语言学习等多个场景。

Murf AI是一个创新的平台，旨在彻底改变我们创建配音的方式。它拥有先进的文本转语音软件，提供超过120种声音，覆盖20多种语言，使商业沟通更加清晰和引人入胜。Murf AI的语音克隆能力和对知识产权的承诺使其在专业人士中脱颖而出。

Reals by Hour One 是一个视频制作工具，可以将文本、幻灯片或提示快速转换为专业且引人注目的视频。它提供了脚本编辑、视频模板、超真实的 AI 主持人、语音克隆、支持多种语言以及丰富的素材库，极大简化了视频创作过程。

ElevenLabs 是一款提供最具吸引力、丰富和逼真的语音的文本转语音和语音克隆软件，旨在为创作者和出版商提供讲故事的终极工具。

Duzo AI Translation 是一款先进的翻译工具，利用人工智能技术提供自然流畅的翻译服务。它支持语音克隆、同步口型、脚本编辑等多种功能，旨在帮助用户轻松沟通并分享内容至全球。

Wondercraft是一个利用AI技术，帮助用户轻松编写、配音和制作高质量音频的工具，适用于各种用户群体，包括市场营销人员、企业培训师和教育工作者。

Rask AI是一个领先的AI视频本地化和配音工具，旨在提供与人类一样出色的配音和翻译体验。用户可以轻松地将视频翻译和本地化为超过130种语言，提供语音克隆和多语音者功能，以实现更个性化的内容体验。

Cartesia Sonic是一个极其快速的生成语音API，具有135毫秒的模型延迟。它可以帮助用户构建高质量、实时的语音体验，提供多样的声音库、即时语音克隆、语音混合和语音设计，支持速度和情感控制。

MagicMic是一款尖端的AI语音转换和生成器，提供超过700种声音和效果，适合游戏玩家、主播和各种在线互动用户。它的用户友好界面和强大功能，极大地扩展了语音转换技术的创意潜力。

ChatTTS-OpenVoice是一款结合ChatTTS和OpenVoice技术的开源个性化语音生成项目。它允许用户上传10秒的参考音频，通过先进的技术克隆出自然且个性化的语音。项目旨在提供高质量的语音合成解决方案，适用于多种应用场景。

VoiceCraft 是一个基于令牌填充的神经编解码语言模型，在野生数据集上的语音编辑和零样本文本到语音（TTS）转换方面达到了最先进的性能。

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。

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。

DavinciAI Toolkit 是一款旨在帮助非技术用户的易用AI工具包，提供多种功能以满足不同需求，包括构建自定义AI助手、语音克隆与配音、文件聊天、抄袭检查、内容与图像生成、图像转视频等。

Voice AI是一款免费的实时AI变声软件，支持语音克隆和自定义语音集成，适用于多种场景。用户可以通过下载软件来修改自己的声音，选择多种声音选项或克隆任何想要的声音。

Wavel是一个专注于视频和本地化的文本转语音语音解决方案的综合平台，帮助企业和个人轻松创建专业的多语言配音，提升内容的影响力和覆盖面。

Dubbify是一个AI驱动的视频翻译平台，使翻译视频的过程变得简单、快速且准确。它提供多语言的AI语音翻译，帮助视频在全球范围内被理解。用户只需上传支持的57种语言中的视频内容，平台将使用AI语音提供最多20种语言的准确翻译，并允许用户编辑翻译以修正错误。此外，Dubbify还提供多说话者的语音克隆功能，增加了个性化选项。用户可以通过API集成访问平台，也可以单独使用，服务灵活，可预付费并按需消费。

BlipCut AI Video Translator 是一个在线的 AI 驱动工具，能够准确地将视频翻译成英语及其他35种语言。它提供类人声音和语音克隆功能。