开发者 AI 技能与智能体

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。

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。

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。

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。

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。

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。

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。

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。

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。

Kokoclone

Stevensayer7 · 工具包

用你提供的一段短参考音频克隆出的声音朗读输入的文字，支持八种语言。它在笔记本 CPU 上就能运行，适合语音助手原型、旁白和演示。

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。

Voice Clone Tts

sammiwen · 工具包

一个名为 Voice Clone Tts 的小型静态网页，由 HTML、JavaScript 和 CSS 文件组成。可在线在浏览器里打开，也可从本地副本打开，无需安装。

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。

Matcha-TTS-PL v2

machinekind · 工具包

在浏览器里用两种合成声音朗读波兰语文字。ONNX 模型在你自己的设备上用 WebGPU 或 WebAssembly 运行，不会向服务器发送任何内容。

Ultimate RVC

JackismyShephard · 工具包

Ultimate RVC 项目的一个 Gradio 应用，用于语音转换、音源分离、特征提取和训练，可以在线运行，也可以用 Python 3.12.7 在你的电脑上运行。

OmniVoice Azerbaijani TTS

hugging-apps · 工具包

朗读阿塞拜疆语文本，可以用自动声音、从一小段参考音频克隆的声音，或用文字描述的声音。适合使用阿塞拜疆语的开发者和创作者。

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。

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。

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。

Talking Pixel

cfahlgren1 · 工具包

给你一个会朗读你所输入文字的像素角色，用的是只有 1.4M 参数的小型语音模型，完全在浏览器里运行，不需要服务器，也不需要 GPU。

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。

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。

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。

Project AIRI 开源虚拟角色

moeru-ai · 工具包

Moeru AI 的开源虚拟角色，灵感来自主播 Neuro-sama。它可以在你的桌面或浏览器里运行，聊天模型、声音和视觉都由你自己选。Minecraft、Discord 和 Telegram 机器人需要从源码运行。