需求人群:
"目标受众主要是开发者和研究人员,他们可以利用该模型为应用程序添加文本到语音的功能,或者进行语音合成相关的研究和开发。由于其开源性和轻量级特性,适合希望在项目中集成高质量TTS功能但又不想从头开始构建模型的开发者。"
使用场景示例:
为移动应用添加语音提示功能
在智能助手设备中集成,提供自然语言交互
用于语音合成研究,探索新的语音生成技术
产品特色:
支持英语(即将支持法语、日语、韩语和中文)
在macOS M1上具有接近实时的快速性能
提供多种声音选择,包括耳语
模型轻量级,约为300MB(量化后约为80MB)
基于ONNX运行时,易于部署和集成
提供示例脚本,方便用户快速上手
使用教程:
1. 安装uv(推荐)或使用常规Python环境
2. 创建新项目文件夹,并在其中运行uv init -p 3.12初始化项目
3. 使用uv add添加kokoro-onnx和soundfile依赖
4. 将examples/save.py的内容复制到hello.py中
5. 下载kokoro-v0_19.onnx和voices.json文件,并放置在项目目录中
6. 运行uv run hello.py生成音频文件
浏览量:54
最新流量情况
月访问量
5.03m
平均访问时长
00:06:29
每次访问页数
5.88
跳出率
37.10%
流量来源
直接访问
52.07%
自然搜索
32.84%
邮件
0.04%
外链引荐
12.88%
社交媒体
2.04%
展示广告
0
截止目前所有流量趋势图
地理流量分布情况
中国
12.85%
德国
3.90%
印度
9.41%
俄罗斯
4.16%
美国
18.95%
基于Kokoro和ONNX运行时的文本到语音(TTS)项目。
kokoro-onnx是一个基于Kokoro模型和ONNX运行时的文本到语音(TTS)项目。它支持英语,并计划支持法语、日语、韩语和中文。该模型在macOS M1上具有接近实时的快速性能,并提供多种声音选择,包括耳语。模型轻量级,约为300MB(量化后约为80MB)。该项目在GitHub上开源,采用MIT许可证,方便开发者集成和使用。
SmolVLM-500M 是一个轻量级多模态模型,能够处理图像和文本输入并生成文本输出。
SmolVLM-500M 是由 Hugging Face 开发的轻量级多模态模型,属于 SmolVLM 系列。该模型基于 Idefics3 架构,专注于高效的图像和文本处理任务。它能够接受任意顺序的图像和文本输入,生成文本输出,适用于图像描述、视觉问答等任务。其轻量级架构使其能够在资源受限的设备上运行,同时保持强大的多模态任务性能。该模型采用 Apache 2.0 许可证,支持开源和灵活的使用场景。
将电子书转换为有声书的工具。
Audiblez是一个利用Kokoro高质量语音合成技术,将普通电子书(.epub格式)转换为.m4b格式有声书的工具。它支持多种语言和声音,用户可以通过简单的命令行操作完成转换,极大地丰富了电子书的阅读体验,尤其适合在开车、运动等不方便阅读的场景下使用。该工具由Claudio Santini在2025年开发,遵循MIT许可证免费开源。
一个为数据科学设计的超级IDE,支持大规模并发处理.
Zasper 是一个专为数据科学设计的集成开发环境(IDE),它从底层设计支持大规模并发处理,具有极小的内存占用、卓越的速度以及处理大量并发连接的能力。它非常适合运行类似 Jupyter notebook 的 REPL 风格的数据应用。Zasper 的主要优点在于其高效的并发处理能力和轻量级的资源占用,使其在数据科学领域具有重要的应用价值。目前,Zasper 提供的是开源版本,适合数据科学家和开发者使用。
一款高效率的2.4亿参数轻量级语言模型
YuLan-Mini是由中国人民大学AI Box团队开发的一款轻量级语言模型,具有2.4亿参数,尽管仅使用1.08T的预训练数据,但其性能可与使用更多数据训练的行业领先模型相媲美。该模型特别擅长数学和代码领域,为了促进可复现性,团队将开源相关的预训练资源。
快速生成类人语音的TTS模型
Flash是ElevenLabs最新推出的文本转语音(Text-to-Speech, TTS)模型,它以75毫秒加上应用和网络延迟的速度生成语音,是低延迟、会话型语音代理的首选模型。Flash v2仅支持英语,而Flash v2.5支持32种语言,每两个字符消耗1个信用点。Flash在盲测中持续超越了同类超低延迟模型,是速度最快且具有质量保证的模型。
AI驱动的视频生成工具,一键生成高质量营销视频
小视频宝(ClipTurbo)是一个AI驱动的视频生成工具,旨在帮助用户轻松创建高质量的营销视频。该工具利用AI技术处理文案、翻译、图标匹配和TTS语音合成,最终使用manim渲染视频,避免了纯生成式AI被平台限流的问题。小视频宝支持多种模板,用户可以根据需要选择分辨率、帧率、宽高比或屏幕方向,模板将自动适配。此外,它还支持多种语音服务,包括内置的EdgeTTS语音。目前,小视频宝仍处于早期开发阶段,仅提供给三花AI的注册用户。
开源多模态大型语言模型,支持实时语音输入和流式音频输出。
Mini-Omni是一个开源的多模态大型语言模型,能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能,无需额外的ASR或TTS模型。此外,它还可以在思考的同时进行语音输出,支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。
开源的语音到语音转换模块
speech-to-speech 是一个开源的模块化GPT4-o项目,通过语音活动检测、语音转文本、语言模型和文本转语音等连续部分实现语音到语音的转换。它利用了Transformers库和Hugging Face hub上可用的模型,提供了高度的模块化和灵活性。
自然交互的语音理解和生成基础模型
FunAudioLLM是一个旨在增强人类与大型语言模型(Large Language Models, LLMs)之间自然语音交互的框架。它包含两个创新模型:SenseVoice负责高精度多语种语音识别、情绪识别和音频事件检测;CosyVoice负责自然语音生成,支持多语种、音色和情绪控制。SenseVoice支持超过50种语言,具有极低的延迟;CosyVoice擅长多语种语音生成、零样本上下文生成、跨语言语音克隆和指令跟随能力。相关模型已在Modelscope和Huggingface上开源,并在GitHub上发布了相应的训练、推理和微调代码。
自然对话场景下的文字转语音模型
ChatTTS是一个为对话场景设计的声音生成模型,特别适用于大型语言模型助手的对话任务,以及对话式音频和视频介绍等应用。它支持中英文,通过使用约10万小时的中英文数据训练,展现出高质量和自然度的语音合成能力。
真实人声AI文本转语音
VoiceBar提供最逼真的AI语音合成服务,包括多国语言和口音,具有高级的语音质量和真实感。无需订阅,使用极具竞争力。适用于语音留言、多语言文本转语音、TikTok、解说视频、学习等场景。
Google推出的一系列轻量级、先进的开放式模型
Gemma是Google推出的一系列开源的轻量级语言模型系列。它结合了全面的安全措施,在尺寸上实现了优异的性能,甚至超过了一些较大的开放模型。可以无缝兼容各种框架。提供快速入门指南、基准测试、模型获取等,帮助开发者负责任地开发AI应用。
开源文本转语音系统
Whisper Speech是一款完全开源的文本转语音模型,由Collabora和Lion在Juwels超级计算机上训练。它支持多种语言和多种形式的输入,包括Node.js、Python、Elixir、HTTP、Cog和Docker。该模型的优势在于高效的语音合成和灵活的部署方式。定价方面,Whisper Speech完全免费。它定位于为开发者和研究人员提供一个强大的、可定制的文本转语音解决方案。
开源轻量级AI驱动的备忘录中心
Firefly是一个开源轻量级AI驱动的备忘录中心。它支持OCR图像识别收集、快捷键收集、文字标记图标收集等功能。具备强大的Markdown编辑器,支持几乎所有的Markdown元素。同时,Firefly还提供了AI助手功能,可将收集的信息交给AI进行处理,一键搜集AI处理的内容。Firefly还提供了Copilot Hub,这是一个基于大规模模型技术的AI平台,用户可以使用自己的数据训练模型,构建个人知识库。支持多种使用场景,让工作更加高效智能。
Huginn-0125是一个35亿参数的潜变量循环深度模型,擅长推理和代码生成。
Huginn-0125是一个由马里兰大学帕克分校Tom Goldstein实验室开发的潜变量循环深度模型。该模型拥有35亿参数,经过8000亿个token的训练,在推理和代码生成方面表现出色。其核心特点是通过循环深度结构在测试时动态调整计算量,能够根据任务需求灵活增加或减少计算步骤,从而在保持性能的同时优化资源利用。该模型基于开源的Hugging Face平台发布,支持社区共享和协作,用户可以自由下载、使用和进一步开发。其开源性和灵活的架构使其成为研究和开发中的重要工具,尤其是在资源受限或需要高性能推理的场景中。
Gen AI Toolbox for Databases 是一个开源服务器,用于简化与数据库交互的 Gen AI 工具的开发。
Gen AI Toolbox for Databases 是一个开源工具,旨在帮助开发者更轻松、快速且安全地构建与数据库交互的生成式 AI 工具。它通过处理连接池、身份验证等复杂性,简化了工具的开发和部署过程。该工具支持多种数据库,包括 AlloyDB、Cloud SQL、MySQL、PostgreSQL 等,并提供端到端的可观测性支持,如 OpenTelemetry 集成。它适用于需要高效开发和安全访问数据库的应用场景,目前是免费开源的。
On-device Sora 是一个基于扩散模型的移动设备端文本到视频生成项目。
On-device Sora 是一个开源项目,旨在通过线性比例跳跃(LPL)、时间维度标记合并(TDTM)和动态加载并发推理(CI-DL)等技术,实现在移动设备(如 iPhone 15 Pro)上高效的视频生成。该项目基于 Open-Sora 模型开发,能够根据文本输入生成高质量视频。其主要优点包括高效性、低功耗和对移动设备的优化。该技术适用于需要在移动设备上快速生成视频内容的场景,如短视频创作、广告制作等。项目目前开源,用户可以免费使用。
开源工业级自动语音识别模型,支持普通话、方言和英语,性能卓越。
FireRedASR-AED-L 是一个开源的工业级自动语音识别模型,专为满足高效率和高性能的语音识别需求而设计。该模型采用基于注意力的编码器-解码器架构,支持普通话、中文方言和英语等多种语言。它在公共普通话语音识别基准测试中达到了新的最高水平,并且在歌唱歌词识别方面表现出色。该模型的主要优点包括高性能、低延迟和广泛的适用性,适用于各种语音交互场景。其开源特性使得开发者可以自由地使用和修改代码,进一步推动语音识别技术的发展。
开源的工业级普通话自动语音识别模型,支持多种应用场景。
FireRedASR 是一个开源的工业级普通话自动语音识别模型,采用 Encoder-Decoder 和 LLM 集成架构。它包含两个变体:FireRedASR-LLM 和 FireRedASR-AED,分别针对高性能和高效能需求设计。该模型在普通话基准测试中表现出色,同时在方言和英文语音识别上也有良好表现。它适用于需要高效语音转文字的工业级应用,如智能助手、视频字幕生成等。模型开源,便于开发者集成和优化。
基于 PyTorch 的音乐、歌曲和音频生成工具包,支持高质量音频生成
InspireMusic 是一个专注于音乐、歌曲和音频生成的 AIGC 工具包和模型框架,采用 PyTorch 开发。它通过音频标记化和解码过程,结合自回归 Transformer 和条件流匹配模型,实现高质量音乐生成。该工具包支持文本提示、音乐风格、结构等多种条件控制,能够生成 24kHz 和 48kHz 的高质量音频,并支持长音频生成。此外,它还提供了方便的微调和推理脚本,方便用户根据需求调整模型。InspireMusic 的开源旨在赋能普通用户通过音乐创作提升研究中的音效表现。
Zonos-v0.1-hybrid 是一款领先的开源文本转语音模型,能够提供高质量的语音合成服务。
Zonos-v0.1-hybrid 是由 Zyphra 开发的一款开源文本转语音模型,它能够根据文本提示生成高度自然的语音。该模型经过大量英语语音数据训练,采用 eSpeak 进行文本归一化和音素化,再通过变换器或混合骨干网络预测 DAC 令牌。它支持多种语言,包括英语、日语、中文、法语和德语,并且可以对生成语音的语速、音调、音频质量和情绪等进行精细控制。此外,它还具备零样本语音克隆功能,仅需 5 到 30 秒的语音样本即可实现高保真语音克隆。该模型在 RTX 4090 上的实时因子约为 2 倍,运行速度较快。它还配备了易于使用的 gradio 界面,并且可以通过 Docker 文件简单安装和部署。目前,该模型在 Hugging Face 上提供,用户可以免费使用,但需要自行部署。
本地运行的AI模型训练与部署工具,支持个性化训练和多平台使用。
Kolosal AI 是一款用于本地设备训练和运行大型语言模型(LLMs)的工具。它通过简化模型训练、优化和部署流程,使用户能够在本地设备上高效地使用 AI 技术。该工具支持多种硬件平台,提供快速的推理速度和灵活的定制能力,适合从个人开发者到大型企业的广泛应用场景。其开源特性也使得用户可以根据自身需求进行二次开发。
RAG-FiT是一个用于提升LLMs利用外部信息能力的库,通过特别创建的RAG增强数据集对模型进行微调。
RAG-FiT是一个强大的工具,旨在通过检索增强生成(RAG)技术提升大型语言模型(LLMs)的能力。它通过创建专门的RAG增强数据集,帮助模型更好地利用外部信息。该库支持从数据准备到模型训练、推理和评估的全流程操作。其主要优点包括模块化设计、可定制化工作流以及对多种RAG配置的支持。RAG-FiT基于开源许可,适合研究人员和开发者进行快速原型开发和实验。
s1是一个基于Qwen2.5-32B-Instruct微调的推理模型,仅用1000个样本进行训练。
s1是一个推理模型,专注于通过少量样本实现高效的文本生成能力。它通过预算强制技术在测试时进行扩展,能够匹配o1-preview的性能。该模型由Niklas Muennighoff等人开发,相关研究发表在arXiv上。模型使用Safetensors技术,具有328亿参数,支持文本生成任务。其主要优点是能够通过少量样本实现高质量的推理,适合需要高效文本生成的场景。
EasyWeb是一个用于构建和部署与浏览器交互的AI代理的开放平台。
EasyWeb是一个基于AI的开放平台,专注于构建和部署能够与浏览器交互的智能代理。它通过提供一个简单易用的界面,让用户能够快速部署AI代理来完成各种浏览器相关任务,如旅行规划、在线购物和新闻收集等。该平台基于OpenHands架构,支持并行处理多个用户请求,并允许用户根据需要切换不同的代理和LLM(大型语言模型)。其主要优点包括部署简单、使用方便、支持多种任务类型,并且完全开源,适合开发者和研究人员进行二次开发和研究。EasyWeb的出现为AI在自动化任务中的应用提供了新的可能性,同时也为相关领域的研究和开发提供了有力的支持。
rene.css 是一个为干净轻量界面设计的系统,也是首个 AI 就绪的 CSS 框架。
rene.css 是一个专注于简洁、轻量级界面设计的系统,同时也是首个为 AI 设计到代码工作流准备好的 CSS 框架。它为设计师、开发者和 AI 工具提供了一个理想的共同基础,支持实用主义的类和内联样式,提供可定制的结构和现成的元素。其主要优点是简洁性、易用性和对 AI 的支持,适合快速开发和设计流程。
LLaSA: 扩展基于 LLaMA 的语音合成的训练时间和测试时间计算量
LLaSA_training 是一个基于 LLaMA 的语音合成训练项目,旨在通过优化训练时间和推理时间的计算资源,提升语音合成模型的效率和性能。该项目利用开源数据集和内部数据集进行训练,支持多种配置和训练方式,具有较高的灵活性和可扩展性。其主要优点包括高效的数据处理能力、强大的语音合成效果以及对多种语言的支持。该项目适用于需要高性能语音合成解决方案的研究人员和开发者,可用于开发智能语音助手、语音播报系统等应用场景。
本地运行的人工智能代理,无缝自动化工程任务。
Codename Goose 是一款本地运行的人工智能代理工具,旨在帮助开发者高效完成工程任务。它强调开源和本地运行,确保用户对任务执行有完全控制权。通过连接外部服务器或API,Goose 可以根据用户需求进行扩展,实现复杂任务的自动化处理,从而让开发者专注于更重要的工作。Goose 的开源特性鼓励开发者参与贡献和创新,其本地运行的模式保障了数据隐私和任务执行效率。
© 2025 AIbase 备案号:闽ICP备08105208号-14