AI 智能体技能、规则与提示词工具包

VibeVoice-1.5B

microsoft · 工具包

把书面对话变成最多四位说话人、约 90 分钟的语音，是微软开放的文字转语音模型，适合研究英语和中文的播客式对话。

whisper-base-ar-quran

tarteel-ai · 工具包

用微调过的 Whisper base 模型把阿拉伯语语音转成文字，在它的评估集上词错误率达到 5.7544。适合构建阿拉伯语语音功能的开发者。

Mega-ASR

zhifeixie · 工具包

转写来自嘈杂、有回声、削波或重叠的录音里的英文和中文语音，并把干净的音频交给基础模型。适合处理困难音频的团队。

AuK

tencent · 工具包

腾讯的 1.5B 语音模型，可以根据文本生成语音、编辑录音，还能做音频增强和声源分离，全部通过自然语言指令完成。

F5-TTS

SWivid · 工具包

用 F5-TTS 流匹配模型把文字转成语音，提供 F5-TTS 和 E2 TTS 的基础检查点。适合在非商业许可下工作的开发者和研究人员。

Indic Tiny TTS: Hindi

sulabhkatiyar · 工具包

用女声或男声朗读天城文书写的印地语文字，小到可以在没有 GPU 的 CPU 上运行。适合给应用加入印地语语音的开发者。

spkrec-ecapa-voxceleb

speechbrain · 工具包

用 SpeechBrain 里的 ECAPA-TDNN 模型判断两段录音是否来自同一个说话人，也可以输出说话人嵌入。适合开发者和语音研究人员。

Spark-TTS-0.5B

SparkAudio · 工具包

用基于 Qwen2.5 的模型把文字念成中文和英文语音，支持零样本声音克隆，也能按性别、音高和语速创建虚拟声音。适合做语音的开发者和研究人员。

Qwen3-TTS GGUF

Serveurperso · 工具包

这个模型通过 C++ 运行时 qwentts.cpp，在 CPU、CUDA、Metal 或 Vulkan 上用多种语言朗读文本，有命名说话人和普通话方言，还能用一段短录音克隆声音。适合想在本地做文字转语音的开发者。

sidon-v0.1

sarulab-speech · 工具包

sarulab-speech 在 facebook/w2v-bert-2.0 基础上发布的模型，文件可以下载。它的模型卡对用途介绍很少，适合想自己查看的人。

Paradee-8M v1.0

sahilmahendrakar · 工具包

这个 8M 参数的模型从 Kokoro-82M 蒸馏而来，用单一声音朗读英文文本。int8 的 ONNX 文件约 9 MB，在 CPU 上就能运行。适合需要小而快、不用 GPU 的语音输出的开发者。

Chatterbox-Nano

ResembleAI · 工具包

这个 110M 参数的模型在普通 CPU 上朗读英文文本，并能通过文本里的标签加入笑声和咳嗽声。适合需要快速设备端语音、内存和延迟预算都很紧的开发者。

Chatterbox-Flash

ResembleAI · 工具包

一个零样本英语文字转语音模型，能从简短参考片段复制声音，并按块低延迟流式输出音频。适合开发语音助手和旁白工具的开发者。

MakHam Thai TTS

pythainlp · 工具包

用一个只有 8 MB 的 ONNX 小模型，以女声朗读泰语文本，在单个 CPU 线程上就能运行。适合需要在服务器、边缘设备或浏览器里提供泰语语音的开发者。

IndiCodec

prakharkhatri · 工具包

把语音变成两路紧凑的词元，再还原成 24 kHz 音频，码率 1.09 kbps，重点支持英语和十种印度语言。适合语音研究人员和文字转语音的开发者。

Pipecat Tone

pipecat-ai · 工具包

给 Pipecat 语音智能体提供两个小型 CPU 模型，一个读取来电者的情绪和讽刺，一个给智能体的回复加上富有表现力的朗读标签。适合语音智能体的开发者。

DuDE

penguinfish1688 · 工具包

根据 XML 脚本把两个人的对话生成为语音，有轮流发言、附和语和重叠说话，每位说话人一个声音。适合做对话音频的研究人员和开发者，仅限非商业使用。

HolosTTS

patriotyk · 工具包

把乌克兰语音素转成语音，可用预设声音或从音频样本克隆的声音，输出流式 24 kHz 单声道音频。适合在 PyTorch、ONNX Runtime、MLX 或 Android 上添加乌克兰语语音的开发者。

MOSS-TTS-v1.5

OpenMOSS-Team · 工具包

用 31 种语言朗读文字，并能用一小段参考音频克隆声音，支持语言标签和明确的停顿标记。适合给产品加入语音的配音人员、配音团队和开发者。

MOSS-TTS

OpenMOSS-Team · 工具包

用八种语言朗读文字，支持零样本声音克隆、长篇语音，并可控制发音和时长。适合音频制作人和开发语音功能的开发者。

Parakeet RNNT 1.1B

nvidia · 工具包

把英文语音转写成小写文本。由 NVIDIA NeMo 和 Suno.ai 团队开发的 1.1B FastConformer Transducer 模型，适合给应用加入语音识别的开发者。

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。

Confucius4-TTS

netease-youdao · 工具包

用 14 种语言朗读你的文字，还能在不同语言之间复制参考声音，无需额外训练。这是网易有道的语音合成系统，适合开发者和创作者。只能使用你有权使用的声音。

Phi-4-multimodal-instruct

microsoft · 工具包

紧凑的 56 亿参数模型，接收文字、图像和音频并用文字回复，上下文 128K token。适合想用一个小模型同时处理语音、视觉和文字的开发者。

LongCat-AudioDiT-3.5B

meituan-longcat · 工具包

用直接在波形潜空间里工作的扩散模型，把中文或英文文本变成语音，还能用你有权使用的参考样本克隆声音。

Maya-1

maya-research · 工具包

一个开放权重的文字转语音模型，你用日常的话描述声音，并加入内嵌的情绪提示。适合需要有表现力、可设计声音的开发者和创作者。

SPEAR XLarge v2

marcoyang · 工具包

把 16 kHz 的语音和通用音频转成每帧 1280 个数字的特征，是约 6 亿参数的预训练 Zipformer 编码器。适合为语音识别或音频标注做微调的研究者。

Kandinsky S2V 1.0 Lite distilled

kandinskylab · 工具包

把一张参考图和一段语音变成头像视频，让整个人物随语音动起来。蒸馏版 Lite 只需 16 步，速度约为基础版的 5 倍。

LongCap-35B-A3B-FP8

JinchuanTian · 工具包

把最长约两小时的录音变成带起止时间的语音、音乐和声音事件时间线，也能转写语音并标出说话人。FP8 权重，适合单张 H100 80GB 显卡。

Ming-3.0-tts-tiny

inclusionAI · 工具包

inclusionAI 的多语言文字转语音模型，可根据短音频克隆声音，也能按描述设计声音，并控制情绪、语速和方言。推理需要它的 GitHub 项目。

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。

SimulS2ST-Omni

HA-SA-ki · 工具包

提供英文和中文之间同声语音到语音翻译的模型文件，基于 OmniTalker。适合想运行或研究 EMNLP 2026 论文系统的研究者和开发者。

phonon-31m English for llama.cpp

gradium · 工具包

在命令行或本地服务器上把英语文字转成语音，是 Phonon 31M 模型面向 llama.cpp 的 GGUF 版本。适合已经在用带 Phonon 支持的 llama.cpp 的开发者。

xkcd-artist

gnumanth · 工具包

通过规划场景、姿势和对话气泡，把文本提示词变成 XKCD 风格的漫画，输出 SVG 或 PNG。适合想从一个想法快速得到漫画分格的人。

FireRedVAD

FireRedTeam · 工具包

检测音频中的语音、歌声和音乐，提供流式和文件式语音活动检测以及音频事件检测。适合在转写前对音频做分段或清理的语音开发者。

Wav2Vec2-Base-960h

facebook · 工具包

把采样率为 16 kHz 的英语语音音频转成文字。这是在 960 小时 Librispeech 上微调过的 wav2vec 2.0 基础模型，适合需要转写基线的开发者和研究者。

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。

ARK-ASR-3B

Edge0 · 工具包

用 Whisper 风格的音频编码器加 Qwen 解码器，把多种语言的语音转成文字。适合需要多语言转写的开发者和研究者，卡里给出了英文和中文的结果。

Distil-Whisper distil-large-v3

distil-whisper · 工具包

把英语语音转成文字，速度约为 Whisper large-v3 的 6.3 倍，长音频上的准确率仍很接近。适合需要转写录音的开发者和团队。

GLaDOS_TTS

DavesArmoury · 工具包

面向 NVIDIA NeMo 的 GLaDOS 文字转语音声音，附带转换成 Riva 文件并在 Jetson 上部署的步骤，适合在 NVIDIA 硬件上做语音项目的人。

Qwen3-ASR-1.7B GGUF

cstr · 工具包

用 Qwen3-ASR-1.7B 的量化 GGUF 文件，在 CrispASR 里把语音、歌声和歌曲转成文字或英文。适合想在本地转写 30 种语言和 22 种中文方言的人。

Anuvani-LID

CIIL · 工具包

识别音频片段里说的是印度 22 种官方语言还是印度英语，并给出校准过的分数。适合构建多语言语音流水线的开发者。

EMA Lightning

canberkkkkkk · 工具包

一个很小的土耳其语文字转语音模型，8.6M 参数，约 34 MB，可在 GPU 或 CPU 上离线运行，并能边生成边输出音频。适合需要土耳其语语音输出的开发者。

Ming 3.0 TTS 0.5B GGUF

audio-cpp · 工具包

为 audio.cpp 运行时打包的 Ming 3.0 TTS 0.5B GGUF：文字转语音、声音克隆和声音设计，支持七种语言，输出单声道 44.1 kHz，不需要 Python 运行环境。适合开发者。

Pocket TTS Indonesian

anak10thn · 工具包

朗读印尼语文本，还能从一小段录音克隆声音，用 6 层模型在 CPU 上就能运行。适合需要印尼语语音、并有权使用该声音的开发者和创作者。

Orukeet

oruk · 工具包

转写 25 种语言的语音，是 NVIDIA Parakeet TDT 模型的改造版，在作者的测试中词错误率更低。适合批量或实时转写录音的团队。

Brindille

edbrdi · 工具包

用一个只有 94K 参数的小模型在浏览器里朗读法语文字，完全在你自己的设备上运行，声音是 Estelle。适合想要不用服务器、不用安装的法语语音的人。

DuplexJev-4B-Para

adventists-ai · 工具包

接收语音和文字，用文字作答，并判断说话的人是否已经说完。适合想要小型音频模型的语音智能体开发者，它还能识别情绪和重音。

VieGem-ASR

5CD-AI · 工具包

转写越南语以及越南语和英语混合的语音，可离线处理，也可按 0.48 秒的块流式处理，使用基于 Google EmbeddingGemma 2 音频编码器的 359M 参数模型。仅限非商业使用。

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。

natural-face-speech-h3-lora

vpakarinen · 工具包

MiniMax H3 视频模型的 LoRA 附加件，目标是在文生视频和图生视频里得到自然的面部动作和清晰的英语语音。适合制作人物说话短视频的人。

Granite Speech 5.0 TurboCTC 470M GGUF

vladers · 工具包

把语音转成文字，支持七种语言，是 IBM Granite Speech 5.0 TurboCTC 470M 的量化 GGUF 版本，为 transcribe.cpp 制作。适合想加入本地听写或转录功能的开发者。

Indic Multilingual Turn Detector

tarun7r · 工具包

读取语音转文字的转写文本，判断说话人是否已说完这一轮，支持英语、Hinglish 和七种印度语言。面向语音智能体和呼叫中心开发者。

faster-whisper-small

Systran · 工具包

转换成 CTranslate2 格式的 Whisper small，供 faster-whisper 转写音频。适合想在 Python 里本地做语音转文字的开发者。

Haas-ja-v1.0-GGUF

sakasegawa · 工具包

日语语音识别模型的 GGUF 文件，只能在 speech.cpp 中运行，支持 macOS、Windows、Linux，也可只用 CPU。适合在自己电脑上转写日语音频的人。

Paradee-8M v1.2

sahilmahendrakar · 工具包

一个很小的英文文字转语音模型，有四种声音，用一个 8.5 MB 的 ONNX 文件就能在 CPU 上运行。适合想在应用里加语音又没有 GPU 的开发者。

MOSS-TTS-Nano

OpenMOSS-Team · 工具包

用一个只有 0.1B 参数、可以在 CPU 上运行的小模型把文字转成语音，支持声音克隆，覆盖 20 种语言。适合给本地或网页应用加上语音的开发者。

NVIDIA NemotronLabs RE-USE-laughter

nvidia · 工具包

清理多语言的嘈杂语音录音，同时保留笑声。这是一个 9.6M 参数的语音增强模型，适合修音频的创作者和准备语音数据集的研究人员。

whisper-persian-v4

nezamisafa · 工具包

把波斯语语音转成文字。它是在波斯语数据集上微调的 Whisper large v3，适合转写波斯语音频的开发者和团队。

VoiceTut-TTS

mohammedaly22 · 工具包

支持阿拉伯语和英语混说的埃及阿拉伯语文字转语音，含 19 种内置声音、声音克隆和长文本流式输出。适合开发者和创作者，只能使用你有权使用的声音。

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。

Koharu Layout HighRes

mayocream · 工具包

检测漫画页面上的文字、拟声词、对话气泡和分格，返回框和掩码。适合用 Koharu 应用开发漫画翻译和清理工具的人。

Pocket TTS

kyutai · 工具包

Kyutai 的 100M 参数文字转语音模型，在 CPU 上运行，支持六种语言，流式输出音频，首个音频块约 200 毫秒，可用 Python 或命令行。

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。

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。

balbal-v2e-zellige

erayyapagci · 工具包

在普通 CPU 上把摩洛哥达里贝语语音转成阿拉伯文字，并给出每个词的时间戳。这是面向研究者和开发者的实验性预览，采用非商业许可。

whisperkit-coreml

argmaxinc · 工具包

收录 WhisperKit 使用的 Core ML 语音识别模型，在 Apple Silicon 上无需服务器就能把音频转成文字。适合想让转写留在设备上的 Apple 应用开发者。

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。

RubatoCodec

third-intelligence · 工具包

把语音压缩成固定数量、长度可变的事件及其时长，并在流式解码时还原。这是面向搭建英语、日语和中文流式文字转语音的神经语音编解码器。

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。

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。

Mimi

kyutai · 工具包

Kyutai 推出的神经音频编解码器，把语音压缩成紧凑的音频令牌，再解码还原。适合构建语音语言模型或文字转语音系统的研究者和开发者。

granite-speech-5.0-470m-turboctc

ibm-granite · 工具包

把七种语言的语音转成带标点和大小写的文字。这是 IBM Granite 推出的 4.7 亿参数小模型，适合在服务器、笔记本和手机上做快速转写。

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。

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。

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。

FireRedLID

FireRedTeam · 工具包

识别音频片段里说的是哪种语言，覆盖 100 多种语言和 20 多种中文方言和口音。它是 FireRedASR2S 的语种识别模块，面向语音开发者。

Phonon-2.5

FermionResearch · 工具包

用一个 156.2 MB、不需要显卡的模型转写 25 种语言的语音。这是 FermionResearch 的开源模型，适合 Apple silicon 的 Mac 以及普通的 Linux 或 Windows 电脑。

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。

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。

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。

ESPNet2 ASR Librispeech word vs bpe tokens

jkang · 工具包

在 Gradio 页面里比较同一套 ESPnet2 Conformer 方案的三个英语语音识别模型，分别用 bpe、字符和词单位，附带示例音频，适合语音研究人员和学生。

ESPNet2 ASR Librispeech Conformer (100h)

jkang · 工具包

在 Gradio 页面里用在 100 小时 Librispeech 上训练的 ESPnet2 Conformer 模型把英语语音转成文字，附带示例音频，适合语音研究人员和学生。

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。

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。

Ming-3.0-audio-flash

inclusionAI · 工具包

接收音频和文字指令，返回文字，或带合成语音的文字。涵盖中英文的语音识别、语音问答和音频推理。适合拥有大型 GPU 的开发者。

whisper-large-v3-chileno-lora

hablaip · 工具包

一个 LoRA 适配器，帮助 Whisper Large-v3 转写真实呼叫中心电话里的智利西班牙语，包括自发口语、俚语和线路噪声。由 HablaIP SpA 制作。

Drone Transcripter 4

AbdelrhmanX2 · 工具包

把埃及阿拉伯语语音转成文字，针对课堂讲座调优，也能处理日常对话和阿拉伯语与英语混用。适合转录埃及讲座或录音的人。

ZeroTTS

zeroweight-ai · 工具包

在笔记本 CPU 上实时朗读越南语文本，支持流式输出，并能用几秒钟的参考音频克隆声音。适合为应用和媒体加入越南语语音的开发者。

Supertonic 3

Supertone · 工具包

把文字转成 31 种语言的语音，通过 ONNX Runtime 在你自己的设备上运行，无需调用云端。适合想要本地快速语音输出并使用预设声音的开发者。

VieNeu-TTS v3 Turbo

pnnbao-ump · 工具包

用 48 kHz 朗读越南语和英语，带来自三个地区的 23 个预设声音、即时声音克隆和实时流式输出。这是一个 131M 的小型文字转语音模型，在普通 CPU 上也能运行。

Mithi v2 Flash

Oomni · 工具包

用 10 种声音朗读 11 种印度语言（含英语）的文本，模型只有 199 MB，可在 GPU 或普通 CPU 上运行。适合需要小型免费语音合成的开发者。

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。