浏览 AI 技能、智能体和自动化

zipformer-asr-turkish-v1

oayk · 工具包

用一个约 2000 万参数的小型流式识别器，把土耳其语语音实时转成文字，在单个 CPU 核心上就能实时运行，适合在边缘设备上做语音功能的开发者。

Silencio-2

BlueRoseLabs · 工具包

把英文文本转成 24 kHz 语音，支持情绪和声音标签，还能从一小段参考音频复制音色。这是基于 Kyutai 的 Pocket TTS 微调的小型文本转语音模型。

Paradee-8M v1.3

sahilmahendrakar · 工具包

只有 7.88M 参数的微型文字转语音模型，有英语、印地语、法语和西班牙语的八种声音，蒸馏自 Kokoro-82M，适合需要在 CPU 上快速出声的开发者。

Klein-TTS-X1.5-Pro

klein-ml · 工具包

用 13.1M 参数的模型把文字变成四种语言的 24 kHz 语音，有 17 种声音，在 CPU 上比实时还快。适合需要小而快的语音模型的开发者。

Underdog Bark 3.0

ConwayResearch · 工具包

用一个 0.6B 模型把英语语音转成文字，下载只有 163 MB，基于 NVIDIA 的 Parakeet TDT 0.6B v3。适合想要小巧本地转写的开发者和苹果芯片用户。非商业许可。

MiniCPM-o 4.5

openbmb · 工具包

一个 9B 模型就能处理图片、视频、语音和实时音视频流，并用英文和中文以文字和语音回答。适合构建语音和视觉助手的开发者。

AADD

gertelrina · 工具包

每 20 毫秒检测语音录音中的 12 种音频劣化，比如噪声、混响、削波和编解码伪影。适合清理语音数据集和审查录音。

ZONOS3-Mini GGUF

AtomicChat · 工具包

把 ZONOS3-Mini 文本转语音模型打包成适用于 llama.cpp 的 GGUF 文件，内置 27 种声音，有从 0.41 到 1.61 GB 的六种主干大小。适合在本地运行语音的开发者。

parakeet-tdt-0.6b-v3

nvidia · 工具包

转写 25 种欧洲语言的语音，自动识别语言，并加上标点、大小写和词级时间戳。这是 NVIDIA 的 600M 参数语音转文字模型，面向开发者和转写服务。

Moondream Parakeet Redux

moondream · 工具包

moondream 推出的 178 MB 语音识别模型，在八个 x86 CPU 核心上以 113 倍实时速度运行。它能转写英语、德语、法语、西班牙语、意大利语、葡萄牙语、俄语和乌克兰语。

Phonon voices

gradium · 工具包

为 Phonon S 文字转语音模型提供 102 个现成的声音，涵盖英语、法语、德语、西班牙语和葡萄牙语，每个都是可直接加载的小型嵌入文件，不需要克隆。

whisper.cpp

ggerganov · 工具包

OpenAI 的 Whisper 语音识别模型，转换成 ggml 文件供 whisper.cpp 使用，从 tiny 到 large-v3-turbo 多种尺寸，另有更小的量化版本。

Maya 2 Native

maya-research · 工具包

用 24 kHz 音频朗读 11 种印度语言和英语的文字，边生成边流式输出，带 20 个内置声音和跨语言声音克隆。这是一个可以自己托管的开放 2.5B 文字转语音模型。

whisper-large-v3-turbo

openai · 工具包

OpenAI 的更快的 Whisper 模型，用于语音识别和语音翻译，有 809M 参数，解码层只有 4 层。适合开发者和需要转写音频的人。

piper-voices

rhasspy · 工具包

为 Piper 文字转语音系统准备的现成声音文件，适合想让自己的软件朗读文字的开发者和创客。

Chatterbox TTS

ResembleAI · 工具包

Resemble AI 的开源文字转语音模型，支持零样本声音克隆和情感夸张控制。最新的多语言版本覆盖 23 种语言，参数量 0.5B。

caramel-1

naklecha · 工具包

这是一个 413M 参数的语音到语音模型，只用对话录音训练，从未见过文本，能进行实时的你来我往。适合语音 AI 研究者和爱好者。

Scylla's Band

spybyscript · 工具包

既能朗读又能按旋律谱演唱的文字转语音模型，有十四种声音、六种语言，可调强度、语速和音高。

Ming-3.0-tts-0.5B

inclusionAI · 工具包

把文字转成七种语言的语音，包括中文和英文。它能用一段短音频复制声音，按描述设计新声音，并控制情绪、语速、音高和音量。

PiVo-1.4M

empero-ai · 工具包

用两个合成声音 Pi 和 Vo 说英语，完整的文字转语音模型只有约 140 万参数，在 CPU 上运行，不需要网络连接。这是一个研究模型。

Haas-ja-v1.0

third-intelligence · 工具包

用一个注重速度和准确率的 615.8M 语音识别模型把日语语音转成文字。适合在带 NVIDIA GPU 的 Linux 机器上转写日语音频的开发者和团队。

parakeet-ultra

moondream · 工具包

把语音转成文字，并给出句子和单词的时间戳。它是 moondream 对 NVIDIA parakeet-tdt-0.6b-v3 做后训练得到的版本，适合需要多语言准确转写的开发者。

phonon-31m-en

gradium · 工具包

小型英文文字转语音模型，流式输出自然的 24 kHz 音频，可在笔记本 CPU、手机或浏览器标签页里运行。适合想在设备上出声的开发者。

Whistle

Cactus-Compute · 工具包

转写七种语言的语音，给出单词时间戳和语音嵌入，模型只有 16.9 MB。一段简短的 Python 脚本就能运行，适合给应用加入语音功能的开发者。

Cactus runtime

Cactus-Compute · 工具包

提供预编译的运行时二进制文件，在手机、笔记本、服务器和浏览器上本地运行文字、语音和视觉模型。适合在应用里发布设备端 AI 的开发者。

Inflect Mini v3

owensong · 工具包

在你自己的电脑上把英文文字转成语音，有六个预设声音，可在 CPU 或 CUDA 上运行。适合想要小型本地文字转语音模型的开发者和创作者。

Mach Boom

SyzygyResearch · 工具包

用 Gradium 的 Phonon 31m 模型的 3.5 位版本，在单个 CPU 核心上把英文文字变成语音，速度比实时快好几倍，适合需要小巧本地语音输出的开发者。

Earlybird

sahilmahendrakar · 工具包

在设备上把语音转成文字，并在说话人说完之前预测每个词，同时给每个词打分。这是 16.8 MB 的英语模型，适合语音智能体和实时字幕。

whisper-large-v3

openai · 工具包

OpenAI 的语音转文字模型，能转写多种语言的音频，可以把语音翻译成英文文字，还能加上句子或单词级时间戳，适合任何想把录音变成文字的人。

VoxCPM2

openbmb · 工具包

用 30 种语言和九种中文方言朗读文字，输出 48 kHz，可根据文字描述设计新声音，也能从一小段音频克隆声音。这是面向开发者的开放 2.3B 文字转语音模型。

NVIDIA NemotronLabs RE-USE

nvidia · 工具包

用 NVIDIA 推出的 9.6M 参数小模型，清理任何语言里有噪声或受损的语音录音，适合需要更清晰人声的音频和语音开发者。

Kokoro-82M

hexgrad · 工具包

用只有 8200 万参数的小型开放权重模型把文字变成语音，1.0 版有 54 种声音，适合想在应用里加入快速、低成本语音的开发者。

Mithi v1 Flash

Oomni · 工具包

用男声和女声朗读 11 种印度语言的文字，可在 GPU 或普通 CPU 上运行，适合给应用加入语音功能的开发者。

Romanian Speech Recognition

gigant · 工具包

在浏览器里用 wav2vec2 模型把罗马尼亚语语音转成文字，适合手上有罗马尼亚语音频的人，也适合想研究小型 Gradio 语音演示的人。

SpeechCloning 语音克隆

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是用克隆的声音读文字，带有一个参考音频片段文件夹。适合想用自己有权使用的声音试用开源语音克隆的人。

PoeticTTS 诗歌语音合成

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是朗读诗句，带有一个参考音频片段文件夹。适合想在浏览器里试用富有表现力的开源语音合成的人。

Multilingual TTS 多语言语音合成

Flux9665 · 工具包

Flux9665 做的多语言语音合成演示，仓库名叫 IMS-Toucan，带有参考音频片段和说话人识别模型。适合想在浏览器里试用开源语音合成的人。

Xm_transformer_600m 语音翻译

facebook · 工具包

Facebook 做的演示，围绕六个 xm_transformer_600m 翻译模型，带有 Common Voice 音频示例，从语言代码看是语音翻译。适合想在浏览器里试用语音翻译的人。

Japanese Voice Recognition 日语语音识别

Detomo · 工具包

用一个名字指向平假名输出的 wav2vec2 模型把日语语音转成文字。适合想在浏览器里试用日语语音识别的人。

Italian Robust ASR 意大利语语音识别

dbdmg · 工具包

用 Hugging Face 语音挑战赛的 wav2vec2 XLS-R 模型把意大利语语音转成文字。适合想在浏览器里试用意大利语语音识别的人。

TTS Text To Speech

keshav6936 · 工具包

一个小型 Gradio 应用，把输入的文字转成语音。可以在 Hugging Face 的浏览器里用，也可以在自己的电脑上跑一份。

Automatic Speech Recognition

k2-fsa · 工具包

k2-fsa 项目的 Gradio 演示，把语音音频转成文字。它列出六个语音模型，包括 Vosk 俄语模型和 icefall 模型，在 CPU 上运行。

Belarusian AI models

Zhnivo · 工具包

一个可浏览的白俄罗斯语 AI 模型和 GitHub 代码清单，人工挑选，涵盖语音识别、语音合成、语言模型、翻译和 NLP。页面有英语和白俄罗斯语两种界面。

Belarusian datasets

Zhnivo · 工具包

一个可浏览的白俄罗斯语数据集和语料库清单，人工挑选，涵盖语音、文本、平行文本、基准、词典和 OCR。页面有英语和白俄罗斯语两种界面。

Vakya 2.0 文字转语音

YashMachineLearning · 工具包

把 11 种印度语言的文字转成语音，并能用一小段参考音频克隆声音。适合有权使用所克隆声音的研究者和学习者。

Pocket TTS (CPU)

Xlnk · 工具包

PocketTTS 的 Gradio 页面，PocketTTS 是 Kyutai Labs 的轻量文本转语音模型，能在 CPU 上运行，带多个内置声音。适合想不用 GPU 把文字变成语音的人。

OuteTTS WebGPU

webml-community · 工具包

在浏览器里把你输入的文字变成语音，通过 Transformers.js 在 WebGPU 上运行 OuteTTS 语音模型，适合开发者和对浏览器端语音感兴趣的人。

Kokoro Text-to-Speech (WebGPU)

webml-community · 工具包

用 WebGPU 在浏览器里运行 Kokoro 文本转语音模型，把输入的文字读出来。适合想听听这个模型，或想学习浏览器语音演示的人。

F5-TTS Voice Cloning Demo

vip56466 · 工具包

用 F5-TTS 模型做零样本声音克隆的小型 Gradio 演示，模型能从一小段样本复制声音。适合想用自己有权使用的声音试试语音克隆的人。

Qwen3-TTS Demo

unclezhao · 工具包

在 Gradio 页面里运行 Qwen3-TTS 文字转语音演示。仓库里没有 README 文字，所以页面提供什么没有说明。

SNAP Cloud REST API + Edge-tts

softguy777 · 工具包

一个韩语语音合成的 Gradio 页面，作为 SNAP Cloud REST API 和 Edge-tts 神经语音的前端。适合想听一听、试一试韩语文字转语音的开发者。

Voice Clone Multilingual

skwow0w9 · 工具包

一个 Gradio 应用，用于克隆声音并以 16 种语言说话，基于 Bark、Tortoise TTS 和相关语音模型。适合测试声音克隆的开发者和创作者。

Tamil Whisper ASR

skpranav22 · 工具包

在 Gradio 演示里把泰米尔语语音转成文字，使用经 LoRA 适配到泰米尔语的 Whisper small。适合做泰米尔语语音识别的开发者、研究者和学习者。

Kannada TTS - Kokoro-82M

Sammy-Mohan · 工具包

一个卡纳达语文字转语音模型的静态展示页，这个模型是 82M 的 Kokoro 模型的微调版本，带有可在浏览器里播放的音频样本。可在线打开，也可从本地副本打开。

Paradee 1.3

sahilmahendrakar · 工具包

用一个很小的多语言文字转语音模型朗读文本，有八种声音，覆盖英语、印地语、法语和西班牙语，在普通 CPU 上就能运行。适合想要轻量语音输出的人。

Clone Your Voice

remiai3 · 工具包

上传一段简短的声音样本，输入任意文字，就能用 Coqui XTTS-v2 得到克隆声音的语音。在 CPU 上运行，可在 Hugging Face 的浏览器里用，也可在自己电脑上运行。

Qwen3 TTS Voice Design

Qwen · 工具包

Qwen 团队的浏览器演示，如它的名称所示，用于 Qwen3 文字转语音和声音设计。适合想不安装任何东西就试着设计声音的创作者和开发者。

Catalan Text-to-Speech

projecte-aina · 工具包

一个 Docker 应用，名字说明它把加泰罗尼亚语文字变成语音，来自 projecte-aina。README 没有任何描述，所以请直接看页面了解它能做什么。

TTS Spaces Arena

Pendrokar · 工具包

TTS Arena v2 的代码库，一个 Gradio 应用，让你对 Hugging Face 上文字转语音模型的语音进行盲投。适合想用耳朵比较声音，或者自己运行一个竞技场的人。

Teochew Whisper

panlr · 工具包

一个 Gradio 演示，使用为潮州话微调过的 Whisper 语音模型，适合想在浏览器或自己电脑上试用这种汉语地方语言语音识别的人。

CapSpeech TTS

OpenSound · 工具包

一个面向风格化语音的文字转语音演示，你可以自己调整声音、口音和情绪。适合想听听 OpenSound 团队做的可控语音的人。

TTS Tounsi

Nouira-Oussema · 工具包

用微调过的 XTTS v2 模型把突尼斯阿拉伯语方言的文字变成语音，可以用内置的男声或女声，也可以用你上传的声音。适合需要突尼斯方言语音的人。

KaniTTS

nineninesix · 工具包

在 Gradio 应用里提供 nineninesix 的 Kani 文字转语音模型，有多种模型规模以及英文和中文版本。适合想试用小型语音模型的开发者和创作者。

VoxPocket 高棉语语音合成

muyleanging · 工具包

在浏览器里把高棉语文字转成语音，支持用短音频克隆声音、选择风格，也能按描述设计声音。适合做高棉语音频的创作者和研究者。

Open Universal Arabic Asr Leaderboard

msalhab96 · 工具包

在一个 Gradio 页面里，比较开源语音识别模型在阿拉伯语多种方言上的表现。适合挑选阿拉伯语语音转文字模型的研究人员和开发者。

ZONOS3 Mini

mrfakename · 工具包

用 ZONOS3-Mini 模型把文字转成十种语言的语音，有 27 种预设声音、短片段声音克隆、语速和响度控制，以及情绪调节。

Confucius4-R2T2 WebGPU

mrfakename · 工具包

通过 WebGPU 在你的浏览器里把中文和英文语音转成文字，可以处理音频文件或实时麦克风。适合不想把音频发到服务器的人。

Arabic Auto Tashkeel

MohamedRashad · 工具包

通过 Gradio 应用给没有标记的阿拉伯语文本加上 tashkeel，也就是阿拉伯语元音符号。适合教师、学习者和做语音的开发者。

OmniVoice MLX

mlx-community · 工具包

通过社区的 MLX 后端用 OmniVoice 文字转语音模型朗读文本，适合想试用它或在 Apple 芯片 Mac 上运行它的人。

Teacher in the Loop

MithrilMan · 工具包

在浏览器里完整运行从 Kokoro-82M 蒸馏出来的 8M 参数小型语音合成声音，并附有对比各训练方案的音频样本。

Leokani-tts 7M

milliwattlabs · 工具包

用一个只有 7M 参数的小型语音合成模型朗读你输入的任何一句话，它在浏览器里用你自己的 CPU 运行，适合想要本地语音输出的人。

Gradio Lipsync Wav2lip

manavisrani07 · 工具包

在 Gradio 页面里运行 Wav2Lip 口型同步，把嘴部动作和语音音频对上，适合试验视频和语音工具的人。

WaveGen

LeeSangHoon · 工具包

根据一段参考录音、它的准确文字稿和要朗读的文字，生成英语或普通话语音。在 ZeroGPU 上提供 WaveGen V-Spec 和 WaveGen-Flash 两个模型，输出 24 kHz 音频。

IPA Transcription Leaderboard

KoelLabs · 工具包

给把英语语音转成 IPA 音标的模型排名，评分基于母语、非母语和受损的语音。模型作者可以提交自己的模型，并跟踪评测进度。

Voice Clone Tts

Kansasfan · 工具包

一个静态网页，名字指向声音克隆和文字转语音，包含一个 HTML 页面、一个脚本和一个样式表。README 没有描述。只使用你有权使用的声音。

Duyu-small

KaanAydinli · 工具包

在浏览器里把土耳其语和英语的语音转成文字，来源可以是录音或上传的文件。一个小模型在你自己的设备上运行，所以你的音频不会离开设备。

Transcripción automatica en aragonés

Juanpabl · 工具包

把阿拉贡语语音转成文字，可以上传音频文件，或用麦克风录一段最长 60 秒的录音。这是一个针对阿拉贡语微调的 Omnilingual LLM-3B 模型的演示。

Ming-3.0-tts-0.5B

hugging-apps · 工具包

在 Ming-3.0-tts-0.5B 模型的 Gradio 演示里，把文字转成多种语言的语音，支持声音克隆和声音设计。

LeapTalk

hugging-apps · 工具包

把一张人像照片和一段语音变成口型同步的说话人头像视频，是 LeapTalk 模型的演示，适合研究者、开发者和创作者。

VoxCPM2 Myanmar Voice Clone Test

hub10 · 工具包

在接入 Dubbing Studio 之前测试 VoxCPM2 模型的声音克隆。适合做配音和语音的开发者，克隆声音需要说话人的许可。

FASTDIAR

herimor · 工具包

在音频文件或麦克风实时流播放的同时标注谁在说话，延迟约一秒。适合做说话人分离的语音开发者和研究者的演示。

Whisper Chileno

hablaip · 工具包

把智利西班牙语语音转成文字，用 LoRA 适配器在 Whisper large-v3 上针对呼叫中心音频调优。适合语音团队和呼叫中心开发者的演示。

Mira-TTS

Gapeleon · 工具包

在 Gradio 页面里用 MiraTTS 模型把文字转成语音。这是一个非官方演示，适合想在浏览器里试用这个模型，或自己运行它的人。

Video Dubbing (SoniTranslate)

G-Rost · 工具包

在 Gradio 页面里用开源项目把视频配音成另一种语言。适合想翻译视频里语音的创作者。

phonon-wasm

fusorlabs · 工具包

用 Phonon 31M 模型在浏览器里的你自己的 CPU 上把文字转成语音，边计算边输出音频。适合想把文字变成语音，又不想用服务器的人。

ming-wasm

fusorlabs · 工具包

用 Ming-3.0-tts-0.5B 模型在浏览器里的你自己的 CPU 上把文字转成语音。适合想把文字变成语音，又不想把文字发到服务器的人。

Fun-CosyVoice3-0.5B

FunAudioLLM · 工具包

在 Gradio 演示里把文字转成九种语言和多种中文方言的语音，支持零样本声音克隆，适合测试语音合成的人。

Oromo VITS TTS

eyob7 · 工具包

用 VITS 声音朗读 Afaan Oromoo 文字，并先把数字写成奥罗莫语单词。适合奥罗莫语使用者、学习者，以及想要 Gradio 语音演示的开发者。

Oromo-TTS

eyob7 · 工具包

在 Gradio 页面里把奥罗莫语文字转成语音，使用 Space 自带的模型文件。适合奥罗莫语使用者、学习者，以及想听这门语言朗读的开发者。

OWSM v4

espnet · 工具包

用 Gradio 演示页在浏览器里对你给的音频运行 OWSM v4 开源语音模型，适合想试用或对比语音模型的人。

OWSM v4

espnet · 工具包

用 OWSM v4 模型转写语音、在语言之间翻译、识别说的是哪种语言并解码长录音，可选文字提示词。适合语音研究者和想测试多语言音频的人。

Pocket TTS (CPU)

D3vShoaib · 工具包

在网页里把输入的文字转成语音，使用 Kyutai 的小型文字转语音模型，普通 CPU 就能运行，并可选择内置声音。适合不想用 GPU 的人。

AI Talking Avatar Generator From Photo

cosmichackerx · 工具包

用 SadTalker 在 ZeroGPU 上，把一张静态照片和一段音频或语音文件变成口型对得上的说话头像视频。适合制作主持人视频、演示和在线课程片段的创作者。

Voxtral Studio

codexxx · 工具包

通过你自己的 Mistral API 密钥，用 Mistral AI 的 Voxtral 模型把语音转成文字、把文字转成语音，并把一段声音样本变成可重复使用的克隆声音。适合需要转写或配音的人。

matxa-tts-v2

BSC-LT · 工具包

用一个快速、轻量的中部加泰罗尼亚语声音模型，把加泰罗尼亚语文字转成语音。可在 Hugging Face 的浏览器里运行，也可在你自己电脑上的 Docker 容器里运行。

Tamazight Text-to-Speech

ayymen · 工具包

用文字转语音模型朗读塔马齐格特语文字，按不同的变体和文字系统分文件夹存放。适合研究和使用阿马齐格语言的学习者、研究者和开发者。

Speech analysis

audeering · 工具包

对一段语音录音运行 audEERING 的两个 wav2vec2 模型，一个判断情绪，一个估计年龄和性别，并自带四段示例音频。这是面向语音研究者的 Gradio 演示。非商用许可。

Supertonic 3 TTS

arjunbroepic · 工具包

在普通 CPU 上用 Gradio 页面运行 Supertonic 3 文字转语音模型。适合想不用 GPU 就听听 Supertone 模型效果的开发者和好奇的用户。

Vevo for Zero-shot VC, TTS, and More

amphion · 工具包

无需针对某个说话人训练，就能根据参考音频模仿声音，用于语音转换和文字转语音。这是 Amphion 项目里 Vevo 模型的演示，适合研究者和音频开发者。

DuplexJev Speech to Decisions

adventists-ai · 工具包

读取一段语音，一次计算就返回关于它的十个判断，如话轮状态、插话和情绪，不做转写。适合语音智能体开发者和语音研究者。