AI 效率技能与自动化

Qwen2-Audio-7B-GGUF

NexaAI · 工具包

在本地运行 Qwen2-Audio，用语音聊天并分析音频，包括语音翻译、转写和声音检测。这是用于 Nexa-SDK 的 GGUF 副本，适合想在自己设备上用音频 AI 的人。

Ming-3.0-audio-tiny

inclusionAI · 工具包

听音频并按文字指令用文字作答，还可选择语音回复。这是 inclusionAI 的紧凑音频语言模型，适合做中英文语音识别、语音提问和音频理解。

Qwen3 TTS Tiny Turkish

erkamk · 工具包

用一段简短参考录音选定声音，朗读土耳其语文本。这是基于 Qwen3-TTS 的 199M 文本转语音模型，小到可以在笔记本上运行。

Rukopys-OCR-4B

ebinan92 · 工具包

从图片中读取乌克兰语手写文档，找出每个文字区域、标注类型，并以结构化 JSON 返回转写内容。这是用于手写数字化的开放 4B 视觉语言模型。

MiMo-V2.5-ASR

XiaomiMiMo · 工具包

转写普通话、英语和粤语的语音，包括中文方言、中英夹杂、歌词、嘈杂音频和多人会议，并自动加标点。适合需要语音转文字的团队。

VibeVoice-ASR

microsoft · 工具包

微软研究院的 8.7B 语音转文字模型，一次可转写最长 60 分钟的音频，说明谁在什么时间说了什么，支持可选的热词和超过 50 种语言。

Phonon-2.5 English

FermionResearch · 工具包

把英语语音转成文字，下载只有 157.6 MB，可在 Apple silicon、Linux 和 Windows 的 CPU 上运行，不需要 GPU。适合做听写、字幕、合规或搜索的团队。

GigaAM-v3

ai-sage · 工具包

把俄语语音转成文字，有能加标点并规范文本的变体，基于约 230M 参数的 Conformer。适合转录俄语音频（如通话）的开发者和团队。

ZONOS2

Zyphra · 工具包

把文字转成 30 多种语言的自然语音，能根据样本克隆声音，采用混合专家模型以实现低延迟。可以在带 NVIDIA GPU 的 Linux 机器上本地运行。

granite-speech-5.0-2b

ibm-granite · 工具包

把六种语言的语音转成文字，并在英语与其他语言之间翻译语音，支持关键词偏置和语言提示。这是 IBM 面向企业音频的紧凑 2B 语音语言模型。

parakeet-ultra-gguf

handy-computer · 工具包

离线转写 25 种欧洲语言的录音，使用 Moondream 的 parakeet-ultra 的 GGUF 版本，配合 transcribe.cpp。适合想要带标点、可选的 token 时间戳的本地语音转文字的人。

faster-whisper-large-v3

Systran · 工具包

把音频文件里的语音转成带时间戳的文字，是为 CTranslate2 和 faster-whisper 转换的 OpenAI Whisper large-v3。适合在自己机器上转写多语言录音的开发者。

orukqwen-asr-1.7b

oruk · 工具包

把英文语音转成文字。它是用词错误率做强化学习后训练的 Qwen3-ASR-1.7B，适合需要英文转写的开发者和语音研究者。

Persian ASR

SajjadAyoubi · 工具包

在 Gradio 页面里用 wav2vec2 语音模型把波斯语语音转成文字。适合学生、开发者，以及需要波斯语音频文字稿的人。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

Music to MIDI

mason369 · 工具包

把音频文件转换成可编辑的 MIDI 或分离的 WAV 音轨，提供七种模式，包括多乐器和钢琴转写，适合音乐人和制作人。

TranskunGUI

Lollikit · 工具包

给 Transkun 钢琴转录模型配上一个简单的 Gradio 界面，让你在浏览器里把钢琴录音变成乐谱音符。适合音乐人、学生和开发者。

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。

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。

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。

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-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。

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。