产品库

一个开源文本转语音系统，致力于实现人类语音的自然化。

Orpheus TTS 是一个基于 Llama-3b 模型的开源文本转语音系统，旨在提供更加自然的人类语音合成。它具备较强的语音克隆能力和情感表达能力，适合各种实时应用场景。该产品是免费的，旨在为开发者和研究者提供便捷的语音合成工具。

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。

一个简单易用的语音克隆和语音模型训练工具。

EaseVoice Trainer 是一个后端项目，旨在简化和增强语音合成与转换训练过程。该项目基于 GPT-SoVITS 进行改进，注重用户体验和系统的可维护性。其设计理念不同于原始项目，旨在提供更模块化和定制化的解决方案，适用于从小规模实验到大规模生产的多种场景。该工具可以帮助开发者和研究人员更高效地进行语音合成和转换的研究与开发。

一个高效的语音合成模型，支持中英文及语音克隆。

MegaTTS 3 是由字节跳动开发的一款基于 PyTorch 的高效语音合成模型，具有超高质量的语音克隆能力。其轻量级架构只包含 0.45B 参数，支持中英文及代码切换，能够根据输入文本生成自然流畅的语音，广泛应用于学术研究和技术开发。

开发者可互动体验 OpenAI API 中的新语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。

OpenAI.fm 是一个互动演示平台，允许开发者体验 OpenAI API 中的最新文本转语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。该技术能够生成自然流畅的语音，使得文本内容生动而易于理解。它适用于各种应用场景，尤其是在语音助手和内容创作方面，能够帮助开发者更好地与用户沟通，提升用户体验。该产品定位于高效的语音合成，适合希望整合语音功能的开发者。

一个用于生成对话式语音的模型，支持从文本和音频输入生成高质量的语音。

CSM 是一个由 Sesame 开发的对话式语音生成模型，它能够根据文本和音频输入生成高质量的语音。该模型基于 Llama 架构，并使用 Mimi 音频编码器。它主要用于语音合成和交互式语音应用，例如语音助手和教育工具。CSM 的主要优点是能够生成自然流畅的语音，并且可以通过上下文信息优化语音输出。该模型目前是开源的，适用于研究和教育目的。

工业级可控高效的零样本文本到语音系统

IndexTTS 是一种基于 GPT 风格的文本到语音（TTS）模型，主要基于 XTTS 和 Tortoise 进行开发。它能够通过拼音纠正汉字发音，并通过标点符号控制停顿。该系统在中文场景中引入了字符-拼音混合建模方法，显著提高了训练稳定性、音色相似性和音质。此外，它还集成了 BigVGAN2 来优化音频质量。该模型在数万小时的数据上进行训练，性能超越了当前流行的 TTS 系统，如 XTTS、CosyVoice2 和 F5-TTS。IndexTTS 适用于需要高质量语音合成的场景，如语音助手、有声读物等，其开源性质也使其适合学术研究和商业应用。

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。

一款基于StyleTTS 2架构的先进AI文本转语音模型，拥有8200万参数，提供高质量的自然语音合成。

Kokoro TTS是一款专注于文本转语音的AI模型，其主要功能是将文本内容转换为自然流畅的语音输出。该模型基于StyleTTS 2架构，拥有8200万参数，能够在保持高质量语音合成的同时，提供高效的性能和较低的资源消耗。其多语言支持和可定制的语音包使其能够满足不同用户在多种场景下的需求，如制作有声读物、播客、培训视频等，尤其适合教育领域，帮助提升内容的可访问性和吸引力。此外，Kokoro TTS是开源的，用户可以免费使用，这使得它在成本效益上具有显著优势。

Llasa-1B 是一个基于 LLaMA 的文本转语音 (TTS) 模型，支持中英文语音合成。

Llasa-1B 是一个由香港科技大学音频实验室开发的文本转语音模型。它基于 LLaMA 架构，通过结合 XCodec2 代码本中的语音标记，能够将文本转换为自然流畅的语音。该模型在 25 万小时的中英文语音数据上进行了训练，支持从纯文本生成语音，也可以利用给定的语音提示进行合成。其主要优点是能够生成高质量的多语言语音，适用于多种语音合成场景，如有声读物、语音助手等。该模型采用 CC BY-NC-ND 4.0 许可证，禁止商业用途。

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。

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。

一个开源的NotebookLM实现，使用Deepseek-V3和PlayHT TTS技术。

opensource_notebooklm是一个开源项目，旨在通过结合Deepseek-V3语言理解和PlayHT文本转语音技术，实现自然、教育性的对话生成。该项目能够生成类似播客的对话，适用于教育和娱乐领域。其主要优点包括强大的语言生成能力和高质量的语音输出，使其在教育内容创作和语言学习应用中具有重要价值。

一款文本转语音工具，帮助您轻松阅读文本。

Praises是一款文本转语音（TTS）工具，它通过将文本转换为语音输出，帮助用户更轻松地获取信息。这款工具支持多种API，包括Azure API、Edge API等，并且支持多语言，使得它能够服务于全球用户。Praises的主要优点包括支持多种语音合成技术、易于集成和使用，以及开源的特性，使得开发者可以自由地修改和优化。Praises的背景信息显示，它是由个人开发者ElmTran开发的，并且遵循MIT开源协议，这意味着用户可以免费使用和修改该软件。

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。

一个开源的GUI音频书和配音生成器。

Pandrator 是一个基于开源软件的工具，能够将文本、PDF、EPUB 和 SRT 文件转换成多种语言的语音音频，包括语音克隆、基于LLM的文本预处理以及将生成的字幕音频直接保存到视频文件中，与视频的原始音轨混合。它旨在易于使用和安装，具有一键安装程序和图形用户界面。

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。

将任何文本内容转换为语音MP3，使用AI在几秒钟内生成声音！今天免费生成您的第一段语音！

TTS Generator AI是一款创新的免费在线文本转语音工具，利用先进的AI技术将书面文本转换为高质量、自然流畅的音频。该工具适用于各种用户，包括需要听觉学习材料的学生、想要听长篇文件的研究人员以及希望使其书面内容更易访问的专业人士。TTS工具的一大亮点是它能够支持各种文本格式，从简单的文本文件到复杂的PDF文件，使其非常灵活。

真实的文本转语音技术

Crikk是一款价格实惠的强大文本转语音工具，支持56种语言，提供真实的语音合成技术。无论是用于语音播报、有声书还是教育，Crikk都能为用户提供高质量的声音合成。用户可以选择免费试用或者采用月费20美元的专业版，月额度为500,000个字符，拥有6种不同的声音和56种语言。此外，Crikk还将推出移动应用，实现图片或PDF的文字转语音。Monster Incorporation Inc.位于Delaware，United States。

人级别文本转语音合成模型

StyleTTS 2 是一款文本转语音（TTS）模型，使用大型语音语言模型（SLMs）进行风格扩散和对抗训练，实现了人级别的 TTS 合成。它通过扩散模型将风格建模为潜在随机变量，以生成最适合文本的风格，而无需参考语音。此外，我们使用大型预训练的 SLMs（如 WavLM）作为判别器，并结合我们的创新可微持续时间建模进行端到端训练，从而提高了语音的自然度。StyleTTS 2 在单说话人 LJSpeech 数据集上超越了人类录音，并在多说话人 VCTK 数据集上与之匹配，得到了母语为英语的评审人员的认可。此外，当在 LibriTTS 数据集上进行训练时，我们的模型优于先前公开可用的零样本扩展模型。通过展示风格扩散和对抗训练与大型 SLMs 的潜力，这项工作在单个和多说话人数据集上实现了一个人级别的 TTS 合成。

AI朗读文章，提高效率

Audioread是一款利用人工智能将文字转换为语音的工具。其具备超逼真的文本转语音引擎，能够以自然而专业的叙述风格朗读任何文本，旨在长时间收听，训练有素，几乎无法与真实有声书叙述者区分开来。用户可以使用网页应用、浏览器插件、iOS快捷方式或Android应用程序将文字转换为音频，也可以转发电子邮件、拖放PDF、复制/粘贴文本或者高亮文本。Audioread还支持创建并订阅私人播客，用户可以在任何播客应用程序中订阅私人播客，如Apple Podcasts、Google Podcasts、Spotify等。此外，用户还可以在浏览器中收听，无需安装任何应用。Audioread还提供付费服务，包括月度订阅，每月9.99美元，每次转换最多10万字，每日最多50万字，支持77种语言。

让Voice Remaker成为您最强大的AI语音生成助手

Voice Remaker是一个完全免费的AI语音生成工具，使用最好的合成音色，为您生成最接近人声的文本转语音（TTS）音频。即时将文本转换为自然流畅的语音，并以MP3音频文件的形式下载。

在线免费转换文本为语音

FreeTTS是一款在线免费文本转语音工具，支持几乎所有语言。您可以使用自然发音的声音创建高质量的音频文件，适用于任何项目。支持SSML TTS，可自定义音频，提供暂停、音频格式等细节。产品完全免费，可以用于商业用途。

打造无限可能，一次只用一个声音。

Forever Voices是一个AI声音合成平台，使用最先进的语音合成技术，可以根据用户提供的输入生成高质量的自然语音。它具有多种声音样式和语音效果可供选择，用户可以通过简单的文本输入来控制生成的声音的内容和表达方式。Forever Voices的优势在于其声音质量和多样性，能够满足各种不同的声音需求，包括广告配音、游戏角色配音、有声读物、语音助手等。该平台提供了灵活的定价选项，用户可以根据自己的需求选择适合的付费方案。

300+语音，78种语言，文本转语音

Speechki ChatGPT插件是一款支持78种语言和方言，提供300多种逼真声音选择的ChatGPT认可的文本转语音插件。将您的文本转换为高质量的音频内容，体验文本转语音的简便使用方式。立即体验Speechki，发现内容创作的未来！

转换文本为语音的最佳AI声音生成器

AiVOOV是一个使用900多种逼真的语音和125多种语言将文本转换为语音的在线工具。它提供专业的语音合成服务，可以将您的文本转换为MP3和WAV格式的声音文件。无论是制作商业广告还是语音教学材料，AiVOOV都能帮助您快速生成高质量的语音。

开放源代码的 8B 参数文本到图像扩散模型。

Flex.2 是当前最灵活的文本到图像扩散模型，具备内置的重绘和通用控制功能。它是一个开源项目，由社区支持，旨在推动人工智能的民主化。Flex.2 具备 8 亿参数，支持 512 个令牌长度输入，并符合 OSI 的 Apache 2.0 许可证。此模型可以在许多创意项目中提供强大的支持。用户可以通过反馈不断改善模型，推动技术进步。

一个可以在一次传递中生成超逼真的对话的 TTS 模型。

Dia 是一个由 Nari Labs 开发的文本到语音（TTS）模型，具有 1.6 亿参数，能够直接从文本生成高度逼真的对话。该模型支持情感和语调控制，并能够生成非言语交流，如笑声和咳嗽。它的预训练模型权重托管在 Hugging Face 上，适用于英语生成。此产品对于研究和教育用途至关重要，能够推动对话生成技术的发展。