来自 Hugging Face 的 AI 项目

Voxtral 4B TTS 2603

mistralai · 工具包

Mistral 推出的开放权重文本转语音模型，提供九种语言的 20 个预设声音，支持流式输出，延迟低。适合构建语音智能体、且能接受非商业许可的开发者。

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-31m English for Compute Flow

gradium · 工具包

通过 Arm 的 Compute Flow 朗读英语文本，由 31M 的文字转语音模型打包而成，适用于标准的 pocket-tts 模块。适合使用 Compute Flow、想要小型语音的开发者。

phonon-31m English for audio.cpp

gradium · 工具包

在 CPU 上用 31M 的文字转语音模型朗读英语文本，提供 GGUF 格式，供 audio.cpp 运行时使用。适合想要小型本地语音模型的开发者。

Smaug Humanizer

abacusai · 工具包

把 AI 写的文本改写成人类口吻，同时保留事实、数字、名称和排版。这是 Abacus.AI 基于 Gemma 4 微调的 12B 模型，适合写作者和编辑。

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。

OmniVoice GGUF

Serveurperso · 工具包

提供 OmniVoice 文字转语音模型的 GGUF 权重，配合 omnivoice.cpp 运行时使用，附带声音设计和声音克隆示例。适合想在本地生成多语言语音的开发者。

Chatterbox-Turbo

ResembleAI · 工具包

这个 350M 参数的模型为低延迟语音智能体打造，朗读英文文本，并能通过文本里的标签加入笑声和咳嗽声。适合想要快速、有表现力、显存占用更少的语音的开发者。

wespeaker-voxceleb-resnet34-LM

pyannote · 工具包

用 pyannote.audio 对 WeSpeaker ResNet34 模型的封装，把一段语音转成说话人嵌入向量，用来比较两个说话人有多像。适合语音和音频开发者。

Pipecat backchannel detector

pipecat-ai · 工具包

在语音机器人说话时听用户，区分一句简短的 "mm-hmm" 和真正的打断，让机器人继续说或停下。这是一个给语音智能体开发者用的微型流式音频模型。

Kokoro-82M-v1.0-ONNX

onnx-community · 工具包

用 Kokoro 把英文文本转成语音，这是一个 8200 万参数、打包成 ONNX 文件的文字转语音模型，可在 JavaScript 和 Python 中使用。适合想在应用里加一个小型本地语音的开发者。

Kokoro-82M-v1.1-zh

hexgrad · 工具包

用一个 82M 参数的文字转语音模型朗读英文和中文文本。这是在 Kokoro 上做的一次短期训练，加入了 100 位中文说话人，适合想要小型本地声音的开发者。

VoxLock

arbazsiddiqui · 工具包

在通话音频送入语音转文字之前，保留来电者的声音，去掉其他人的声音。这是一个 27.3M 参数的开源模型，可在 CPU 上流式运行，并为 Pipecat 和 LiveKit 语音智能体提供过滤器。

Russian Emotional TTS

Andreevai · 工具包

带情感并按标注的重音朗读俄语文字，还能从 3 到 10 秒的音频复制声音。只克隆你有权使用的声音。

Africa TTS

AfriSpeech · 工具包

用 92 种非洲语言和英语朗读文字，在 CPU 上比实时更快，还能用一小段音频克隆声音。适合需要非洲语言语音的开发者和研究人员。

Rick & Morty Bot

kingabzpro · 工具包

在 Gradio 页面里用 DialoGPT 模型，以《Rick and Morty》中 Rick 的口吻和你聊天。适合粉丝，也适合想看小型聊天机器人示例的开发者。

DeepFilterNet

hshr · 工具包

在 Gradio 页面里用 DeepFilterNet 去掉语音音频里的背景噪声，附带示例片段，适合想整理语音录音的人和音频开发者。

Backchannel Cue 32M

KoljaB · 工具包

根据到目前为止的文字，判断语音助手何时该在用户还在说话时插入一个小的倾听声，比如 mhm 或 oh no。只处理文本，在 CPU 上约 5 毫秒就能给出结果。

Kandinsky S2V 1.0 Lite

kandinskylab · 工具包

把一张参考图和一段语音录音变成会说话的头像视频，整个人物都会跟着音频动起来。适合有高性能 GPU 的研究者和开发者。只能使用你有权使用的人脸和声音。

Gadsby-4B

errrinn · 工具包

禁用 Simple Wikipedia 中常见的词对之后，用古怪的网络聊天口吻回答。这是一个 4.3B 参数的 Gemma 3 实验，适合好奇约束解码如何改变模型语气的人。