OpenAI 开源的通用语音识别模型，支持多语言转写与翻译。
🎙️ 语音与音频
语音识别、语音合成、音色克隆与音乐生成
全部 1034🧠 大语言模型 24🤖 AI 智能体 160🧩 应用开发平台 23📚 RAG 与知识库 47💬 聊天界面与客户端 42🖥️ 本地推理与部署 87👨💻 AI 编程 96🛠️ 开发框架与 SDK 47🔌 MCP 与工具生态 35🎨 图像生成 24🎬 视频生成 18🎙️ 语音与音频 44👁️ 计算机视觉 27📄 文档解析与抓取 23🗄️ 向量数据库 25🏋️ 训练微调与 MLOps 73🧪 评测·观测·安全 78🚪 API 网关与代理 12🔎 搜索与深度研究 14⚙️ 深度学习基础库 55🏷️ 数据与标注 30🔬 行业与科研 AI 34⚡ 效率工具 16
仅需几秒到一分钟语音即可克隆音色并合成的 TTS 工具。
通义实验室的多语言语音合成大模型，支持零样本音色克隆。
VoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.
The open-source AI voice studio. Clone, dictate, create.
Open-Source Frontier Voice AI
Whisper 的 C/C++ 移植，可在 CPU、手机和浏览器里运行。
深度学习文本转语音工具包，模型丰富。
面向日常对话场景的生成式语音模型，中英文自然流畅。
文本生成高度逼真的多语种语音、音乐与音效。
VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
即时语音克隆，可灵活控制语气与风格。
开源的多语言文本转语音，支持零样本克隆。
Resemble AI 开源的 TTS 模型，支持情感控制。
基于 CTranslate2 的 Whisper 重实现，速度快 4 倍且更省内存。
带词级时间戳与说话人分离的快速 Whisper 转写。
B 站开源的工业级零样本语音合成系统。
Meta 的音频生成库，含 MusicGen 与 AudioGen。
YC (S26) | Open Computer History | Continuously record your company computer work, map your workflows, help you find work worth automating, and power your agents' context
阿里达摩院的端到端语音识别工具包，中文效果出色。
视频翻译配音工具：识别、翻译、配音与字幕合成。
A scalable generative AI framework built for researchers and developers working on Large Language Models, Multimodal, and Speech AI (Automatic Speech Recognition and Text-to-Speech)
流匹配的流畅忠实语音合成。
离线语音识别/合成/说话人识别，覆盖手机、嵌入式与浏览器。