浏览 AI 技能、智能体和自动化

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。

SplitSafe - Audio ML Leakage Auditor

boobalanit · 工具包

用不需要 GPU 的音频指纹，检查音频数据集的训练、验证和测试划分里有没有泄漏的副本和重复的说话人。适合构建音频机器学习模型的人。

ByteDance Solo Piano Audio To MIDI Transcription

asigalov61 · 工具包

用 ByteDance 的钢琴转录代码，把一段钢琴独奏录音转成 MIDI 文件。这是一个面向钢琴手、编曲者和开发者的 Gradio 应用，在 Hugging Face 上通过浏览器运行。

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。

ACE-Step v1.5

ACE-Step · 工具包

用 ACE-Step 1.5 音乐模型，根据简单描述和歌词生成完整歌曲，也能编辑或翻唱已有音频。适合想要本地、快速的 AI 音乐工具的音乐人和创作者。

UnlimitedMusicGen

Surn · 工具包

根据文字描述或一段引导旋律生成任意长度的音乐，方法是把生成的片段接起来。它扩展了 Meta 的 Audiocraft，适合音乐人、视频创作者和开发者。

Vāgdhenu

prathoshap · 工具包

一个梵语吟诵的文字转语音演示，接受多种印度文字书写的诗句，让你选择格律，并渲染成音频。运行在 Hugging Face ZeroGPU 上。

HolosTTS: Ukrainian text to speech

patriotyk · 工具包

在浏览器里用 HolosTTS 模型朗读乌克兰语文本，该模型用包含多位说话人的乌克兰语数据集训练。适合处理乌克兰语音频的创作者、老师和开发者。

Parler-TTS

parler-tts · 工具包

在浏览器里用 Parler-TTS 大号和迷你模型把文字变成语音。适合创作者、开发者和想在使用前先听听模型效果的研究者。

Music Flamingo

nvidia · 工具包

在 Gradio 页面里，用 NVIDIA 的 Music Flamingo 模型处理音乐音频，运行在 Hugging Face 的 ZeroGPU 硬件上。适合处理音频和音乐的研究者和开发者。

Fast Whisper Turbo

mrfakename · 工具包

在 Gradio 应用里运行 OpenAI 的 whisper-large-v3-turbo 语音识别模型，用于快速转写。适合需要把音频转成文字的人，以及想读一个简短 Whisper 封装的开发者。

voice-call-wasm

fusorlabs · 工具包

在浏览器里用三个小模型在你自己的 CPU 上进行语音对话，模型下载完成后，不会把任何音频发到别处。

Turkish ASR Leaderboard

EmreAkgul · 工具包

在一套 Google 测试数据集上，按基准测试和计时结果对比土耳其语语音转文字模型，帮你为土耳其语音频选一个语音识别模型。

Parakeet Ultra Transcriptor

Zangurak1 · 工具包

把上传的音频或视频转成完整文字，提供 TXT 下载，词级时间可用时还提供 SRT 字幕文件。界面是西班牙语，适合学生和需要转写录音的人。

LinnetTTS

VoxRT · 工具包

用 LinnetTTS 把文字朗读出来，这是一个小型的设备端文字转语音模型，能流式输出音频，在 CPU 上实时运行。适合开发者，也适合想在浏览器里听听效果的人。

Sesame CSM

sesame · 工具包

Sesame 的 1B 对话语音模型的浏览器演示，可根据文字和音频输入生成语音。用于研究和教育，严禁冒充和欺骗。

RVC⚡ZERO

r3gm · 工具包

一个基于 VITS 的声音转换演示，可在浏览器里运行。自带一个示例声音模型、示例音频和一个 HuBERT 基础模型。适合探索声音转换的音频爱好者和开发者。

RVC-v2 + Beatrice-v2 Voice Conversion + training

Luminia · 工具包

用 RVC v2 或 Beatrice v2 模型把一段录音转换成另一种声音，还能用你自己的音频训练新模型，页面在 CPU 上也能运行。适合音频爱好者和开发者。

MusicGen

facebook · 工具包

用 MusicGen 模型把文字描述变成一小段音乐，是基于 AudioCraft 音频库的浏览器演示。适合想探索文字生成音乐的音乐人、开发者和研究者。

Seed Voice Conversion

Plachta · 工具包

在运行于 ZeroGPU 硬件的 Gradio 页面里，把一个声音的语音转换成另一个声音，基于 Seed-VC。适合想试用声音转换的开发者和音频制作者。

Edge TTS Text To Speech

innoai · 工具包

在一个小型 Gradio 页面里把文字转成语音，可以在浏览器里打开，也可以在自己的电脑上运行。适合想不用安装就快速文字转语音的人。

Drama 3

fishaudio · 工具包

用 Fish Audio 的 Drama 3 模型，把你写的一句话用你选择或设计的声音说出来，并用提示指导每一次演绎。适合探索富有表现力的语音和声音克隆的创作者。

MTEB Leaderboard

mteb · 工具包

在浏览器或 Docker 里运行的排行榜页面，给文本、图像、音频和视频的嵌入模型排名。适合选择嵌入模型的人。

一个 n8n 工作流，在你选的两种语言之间翻译 Telegram 语音消息。它转写语音，用 OpenAI 模型翻译，再把结果作为文字和语音音频文件发回来。

一个每 12 小时给 Telegram 发一个新英文儿童故事的 n8n 工作流。模型写故事，语音模型朗读，图像模型画出角色的图片。

一个每 12 小时给 Telegram 发一个新儿童故事的 n8n 工作流。模型先用英文写故事再译成阿拉伯语，工作流再配上朗读音频和一张图片。

一个用 ElevenLabs 朗读法语文字、用 OpenAI 转写这段音频的 n8n 工作流。OpenAI 模型把文字翻译成英语，再由 ElevenLabs 把英语读出来。

一个 n8n 工作流，给你一个用于文字转语音的 Web 地址。给它一个声音 id 和一段文字，回复就是 ElevenLabs 生成的音频文件。

一个手动启动的 n8n 工作流：一个 Set 节点存着一行文字和一个声音，OpenAI 的文字转语音接口把它变成一个 MP3 文件。改这两个字段，就能朗读任何内容。

一个带 webhook、接收语音提问的 n8n 工作流。OpenAI 把你的录音转成文字，Gemini 带着之前的对话回答，ElevenLabs 把回答读出来，作为音频文件返回。

mpv

mpv-player · 工具包

在命令行里播放音频和视频文件，支持多种格式、编解码器和字幕类型，可用于 Linux、Windows 和 macOS。适合喜欢在终端里运行播放器的人。

rea-video

JuneYaooo · 技能

把任何视频逐镜头拆开，说明它的画面、文字、剪辑和音频是怎么做出来的，再给出翻拍方案。适合使用 Claude Code 或 Codex 的创作者和营销人员。

Scenario Agent Skills

scenario-labs · 技能

用于 AI 智能体生成游戏及创意项目所需的图像、视频、音频和 3D 资产的技能集合。包含与 Blender、Unity、Unreal Engine 及其他专业内容创作工具的集成。

Fish Speech

fishaudio · 工具包

基于大语言模型架构，将文本转换为富有表现力的多语言音频。它为开发语音应用的开发者提供声音克隆、多角色生成及精确的音频编辑功能。

Hex

anomalyco · 工具包

在你的设备上进行本地语音转文字，并将结果直接粘贴到当前应用中。这款工具适合希望在不将音频数据上传至云端的情况下，实现隐私化语音识别的用户。

一个处理 Cal.com 预约的 n8n 工作流。OpenAI 模型读取预约备注，并在网上调研这个人和他的公司。然后 Gmail 给你发一份简短的简报，附一段朗读它的 MP3。

一个 n8n 工作流：用几个词描述一个 ASMR 瞬间，就能做出一段带声音的短视频。OpenAI 智能体围绕特写质感和多层音效写出 Veo 3 提示词，Kie.ai 用 Veo 3 Fast 渲染出来。

一个 n8n 工作流，把一张人像和一段音频录音做成会说话的数字人视频。表单接收两个文件，RunningHub 保存它们并渲染视频，n8n 反复查询任务直到完成，再把视频下载下来。

VibeVoice 开源语音模型

microsoft · 工具包

微软的开源语音 AI 模型家族。VibeVoice-ASR 一次转写最长 60 分钟的音频，带说话人和时间戳。VibeVoice-Realtime 把流式文字合成语音。这份说明涵盖演示、vLLM 服务器和微调。

VoiceStudio 本地语音工作室

debpalash · 工具包

Palash Debnath 做的开源语音工作室，在你自己的电脑上运行。它能克隆和设计声音、给视频配音、听写、转写和朗读有声书，附有 Windows、macOS、Linux、Docker 和手机的安装说明。