Talk是一个基于whisper.cpp和llama.cpp的项目，旨在实现与计算机的直接语音对话。它整合了先进的语音识别和生成技术，支持自然语言处理，能够实时响应用户的语音指令，并提供用户友好的界面，方便易用。

OpenAI的Whisper高质量语音识别模块C/C++移植版，支持在iOS和Android上运行，提供真人级别的识别效果，完全免费，具有开源、低内存和跨平台特性，适合资源受限环境。

WhisperSpeech 是一个强大且易于定制的文本转语音工具，基于 Whisper 的语音转文本技术，能够提供高质量的语音合成，并支持多种语言和口音。该项目是开源的，允许用户自由使用和修改，同时也适用于商业项目。

ollama-voice-mac是一个在Mac上完全离线运行的语音助手，利用Mistral 7b模型进行自然语言处理，同时采用Whisper模型进行语音识别，提供用户友好的体验和多种语音指令支持。

从音频到照片真实的体现：在对话中合成虚拟人物形象。该项目可以从多人对话中的语音生成与对话相对应的逼真面部表情、完整身体和手势动作。

lp-music-caps是一个基于大语言模型（LLM）技术的项目，旨在生成高质量的音乐字幕，支持多种音乐风格和类型。

这个项目可以让用户与大语言模型进行自然的语音对话，结合先进的语音转录和文本到语音技术，提供流畅的交互体验。

语音克隆项目通过提取人类的音色，将文本或其他语音转换为特定的音色，提供个性化的语音合成解决方案。该项目支持从文本生成语音以及将已有的语音样本转化为克隆音色，适用于多种应用场景。

textlesslib是一个专为无文本口语处理设计的库，集成了多种先进的AI模型，提供高效的音频特征提取，支持多种语言的处理，且开放源代码，易于扩展。

ChatGLM2 Voice Cloning项目结合了ChatGLM2-6B模型和声音克隆技术，允许用户与自己喜爱的角色进行沉浸式对话。用户可以通过输入文本与角色互动，同时利用声音克隆技术实现个性化的语音体验，满足不同用户的需求。该项目不仅支持与任何角色进行对话，还提供了可定制的语音特征和友好的用户界面，让互动变得更加简单和有趣。

这是一个收录音频驱动手势生成相关论文的资源列表，提供实用的代码示例和实现，涵盖最新的研究成果并持续更新，旨在帮助研究人员和开发者深入了解和实验手势生成技术。

wscribe是一个开源的语音到文字转换工具，基于whisper的前端，提供灵活的音频处理和后处理选项，旨在提高语音转录的效率和准确性。

RVC是一款高效的AI语音转换模型，能够学习目标人物的声音特征，并进行高质量的音色转换。它采用检索增强技术，使生成的语音更加接近真人，保留原有音色的细腻度与自然性。此外，RVC易于使用，基于VITS框架，支持多种声音风格转换，提供高质量的声音合成和用户友好的接口，同时具备较强的可扩展性，支持自定义模型。

JARVIS是一个个人AI语音助手，能够实现语音转文字、生成语言模型回复和文字转语音功能，并通过Web界面进行展示。

XTalker是基于SadTalker的面部动画生成项目，专为第四代Xeon CPU优化，通过低精度推理和并行处理将推理速度提升10倍，旨在实现高效的面部动画生成。

SoniTranslate是一款能够实时将视频中的音频翻译成多种语言的工具，操作简单，支持多种视频格式，用户可以自定义翻译语言，并享受高准确率的翻译服务。

ChatTTS-Forge是一个基于ChatTTS模型的文本到语音生成项目，具备API服务器和基于Gradio的WebUI，能够提供全面的API服务以及支持超长文本的生成能力，用户可选择多种语音风格并管理说话人。

edge-tts是一个工具，能够将任何epub书籍转换为有声书，使用微软的Edge TTS引擎生成语音，支持多种语言和语音选项，用户可以自定义语速和音调，提供简单易用的命令行界面，帮助用户节省在Audible上的开支。

AudioNotes 是一个开源免费的工具，能够快速将音频和视频内容转化为结构化的 Markdown 笔记，基于先进的 FunASR 和 Qwen2 模型构建，旨在提高用户的信息整理效率。

macOS的命令行语音识别工具，让你的电脑能听懂你说的话，轻松转录音频文件或实时语音输入

Wordcab Transcribe是一个基于faster-whisper的ASR FastAPI服务器，利用多尺度自适应谱聚类技术实现说话人区分，提供高效、准确的语音转录服务。该项目支持实时处理，易于集成和扩展，适用于多种音频格式。

Whisperboard是一个基于OpenAI的Whisper模型开发的离线语音转文本iOS应用，利用whisper.cpp实现，能够高效地将语音转化为文本，支持多种语言，提供用户友好的界面和高准确率的语音识别。

VideoLingo是一款全自动视频翻译的AI工具，能够一键对视频进行字幕切割、翻译、精准对齐和个性化配音，最终生成Netflix级别的字幕和配音。

Parler-TTS 是一种开源的轻量级文本转语音 (TTS) 模型，可以生成具有给定说话者风格（性别、音调、说话风格等）的高质量、自然的语音。经过 45,000 小时公开演讲的训练，生成速度提高了 4 倍，支持多种语言的文本到语音转换。

Meta的MusicGen及其微调模块的cog实现，可用于音乐生成，并支持自定义数据集进行微调。该项目使用户能够生成高质量的音乐，并根据特定需求调整模型，以创造出符合个人风格的音乐作品。

Feedyou是一个提供人工智能驱动的聊天和语音虚拟助手的平台，旨在为客户和员工提供高效可靠的支持。用户只需将虚拟助手集成到系统中，并根据需求进行定制。

CONVA是一个为移动和Web应用程序构建的语音优先生成式AI助手平台，能够为应用用户提供自然的、多语言的和多模态的对话AI体验。

Vocalize是一个平台，用户可以使用数千种流行的AI声音轻松创建AI音乐翻唱和文本到语音功能。用户只需选择一个声音，上传音频或输入文本，Vocalize便可以完成其余工作。

Ollang提供尖端的AI配音、精准的字幕翻译和封闭式字幕服务，旨在提升您的多媒体内容质量和观众参与度。用户可以免费注册，上传视频或音频文件，并选择所需的服务。

该工具利用AI根据用户的想法生成音乐提示，包括风格、主题、旋律等。用户可以对音乐元素进行详细定制，从而快速获得灵感，克服创作障碍。