AI语音合成

NotchLive 是一款面向 Mac 的本地优先实时字幕、语音识别、转录和翻译应用。它可以为 Zoom、Google Meet、Teams、视频、播客和系统音频生成私密实时字幕，将语音转换为文本笔记，并支持实时翻译。NotchLive 不作为会议机器人加入通话，适合需要会议字幕、多语言沟通、本地转录和 Mac 语音转文字工作流的用户。

「呦呦有声」是一款AI驱动的一站式有声书全流程制作工具，覆盖从文本画本到成品音频的完整链路，专为有声书制作团队打造。「呦呦有声」将有声书制作拆解为 6 大核心环节——画本编辑、在线配音、智能对轨、专业审听、后期处理和项目统筹，并在一个平台上实现全链路闭环协作。无论是个人创作者还是多人剧组团队，都能高效完成有声书从文本到成品的全部制作。

声声工坊（Sssay）是一款轻量化AI语音合成TTS工具，主打高效声音克隆、语音生成与声音识别。声声工坊提供一套中文声音生产工具：上传或录制 5-15 秒参考音频即可生成相近音色，也可以通过 Prompt 创建新音色；支持方言/风格短提示、流式与非流式 TTS、声音识别、SRT/VTT 字幕和时间轴导出。

AnyVoice是一款AI声音克隆与文本转语音平台，面向全球创作者、自媒体与企业，无需本地软件，浏览器内即可完成语音制作。平台仅需十几秒清晰人声样本，就能快速训练出高保真专属声音模型，复刻原说话人的音色、语气节奏，同一克隆声线可直接生成数十种语言的语音，实现一套音色做多语种内容。

面灵AI是一款面向求职面试场景的AI辅助工具，支持实时语音识别、面试问题分析、智能提词和回答参考生成等功能。面灵AI适用于校招、社招、技术面试和在线面试等场景，可帮助用户在面试过程中获取实时辅助信息。本页提供面灵AI的功能介绍、应用场景、使用方式及官方访问入口。

一个可以自己托管的 Whisper 解决方案，服务端是 Python，客户端是 JS，基于 WebSocket 实时通信，可以做到语音的实时传输和文本转换。

Mac 上的一个多模态 AI 助手，能支持语音和截图，借助 GPT-4V 的多模态能力，可以基于当前屏幕截图和指令可以回复问题。

Facebook AI推出了一款多语言语音识别模型，它是目前最先进的系统之一，可以同时支持多种语言的语音识别，包括非标准化和口音较重的语音。该模型使用了先进的深度学习技术和自监督学习方法，以更好地利用大量未标记的数据进行训练，并在多项基准测试中取得了最优秀的结果。这一技术的应用可以极大地提高语音识别的准确性和可用性，为用户提供更好的语音交互体验。

GirlfriendGPT是一个使用ChatGPT4.0构建自己的AI女友的Python项目。它可以定制AI的声音、个性和自拍等功能，并且可以通过Telegram直接与AI交流。该项目还提供了添加个性的步骤，并欢迎贡献者提交新的个性。该项目使用MIT许可证。

一个开源的文本转语音工具，其表现可以媲美Elevenlabs。它具有以下特点： 1. 能够自动生成多种不同的语音风格，无需依赖特定的参考语音。 2. 采用特殊的训练方法，使得生成的语音更加贴近真人的说话方式。 3. 利用扩散模型技术，高效地生成不同风格的语音。 4. 提供对语音的精确控制，包括语速、语调等方面。 5. 在测试中，生成的语音质量接近于真人录音。即使没有特定说话者的样本，也能生成高质量的语音。 StyleTTS 2的工作原理是通过风格扩散和与大型语音语言模型的对抗性训练来实现接近人类水平的TTS合成。这个模型与其前身不同之处在于，它通过扩散模型将风格建模为一个潜在的随机变量，以生成最适合文本的风格，而不需要参考语音。此外，StyleTTS 2采用非自回归架构，它在生成语音时不需要依次预测每个音频样本，而是可以并行生成整个语音序列。这种方法大大提高了语音合成的速度。 StyleTTS 2在多个评估结果方面表现出色： 1. 在多个测试中，StyleTTS 2生成的语音质量非常高，接近或达到了真人录音的水平。这表明了其在模仿人类语音方面的高效能力。 2. 在LJSpeech数据集

一个能够将文本实时转换为语音的解决方案。它具有即时反应能力，可以在文本输入的同时立即开始语音合成，无需等待整个文本输入完毕。此外，RealtimeTTS还采用了流式处理技术，可以处理持续不断的文本流，而不仅限于单个、静态的文本块。 该解决方案还采用了先进的算法来精准识别句子的结束点，从而加快了语音合成的开始速度。无论文本是长是短，RealtimeTTS都能保持快速响应，适用于各种长度的文本。此外，它还具有多引擎兼容性，能够与多个语音合成引擎协同工作，例如Azure、Elevenlabs、Coqui XTTS等。 RealtimeTTS还具有很高的可扩展性，它允许添加自定义的文本到语音引擎，提供了更大的灵活性和扩展性。总之，RealtimeTTS是一个非常适合需要实时语音反馈的应用场景的工具，如交互式教学、游戏、实时翻译或语音助手等。通过即时反应和流式处理技术，它能够提供一个流畅且自然的用户体验。

一个使用OpenAI的Whisper Large v2进行语音识别的脚本，能够在短短10分钟内转录300分钟的音频 。该项目的目标是提供一个简单的入口来运行推理和微调Whisper，用于自动语音识别（ASR） 。该项目还提供了一个CLI（命令行界面），可以在终端上进行100多种语言的数据翻译和转录 。

功能特点： 分离任何你描述的音频：AudioSep 具备先进的音频分离算法，可以将输入的音频文件中的不同声音源分离出来。你只需描述想要分离的声音类型或源音，AudioSep 就能够根据描述进行准确分离。 官方实现：AudioSep 是由官方团队开发和维护的，因此可以保证其质量和功能的稳定性。 开源许可证：AudioSep 使用的是 MIT 开源许可证，这意味着你可以自由使用、修改和分发该工具。 易于使用：无论你是专业的音频处理人员还是新手，AudioSep 都提供了简单易用的界面和指令，让你能够快速上手并进行音频分离操作。 高度可定制：AudioSep 提供了丰富的参数和选项，可以根据你的需求进行各种调整和定制，以获得最佳的分离效果。

coqui 提供基于AI的语音合成和语音识别服务，如即时声音克隆、自动生成语音等。新用户免费获得试用30分钟合成时间。价格方案采用按需支付，可选择购买更多合成时间。使用方法：访问Coqui.ai，选择声音克隆或合成功能，输入需要的参数，生成并下载所需音频。该平台还支持API接入，加速语音项目开发。

Narration Box是一种语音生成服务，用户可以创建画外音、旁白、有声读物、音频页面、播客等