阅读约 7 分钟
Silero TTS：轻量级预训练文本转语音模型
Silero TTS 是一款轻量级、采用 MIT 许可证的预训练模型，只需一行代码即可通过 PyTorch Hub 加载，并对俄语、独联体国家语言和印度语言提供强大支持。
Silero TTS文本转语音轻量级 TTS多语言 TTSPyTorch
阅读更多AI 模型
解读开源与热门 AI 语音模型，并了解如何在 Echora 上体验对应能力。
8 分钟阅读
VITS：经典端到端 TTS 架构详解
VITS 是 2021 年推出的条件 VAE 与基于流的 TTS 模型，它证明了单阶段生成可以媲美两阶段系统，并由此催生了无数衍生项目。
VITS文本转语音端到端 TTS条件 VAE归一化流开源
阅读更多7 分钟阅读
MockingBird：5 秒实时中文声音克隆
MockingBird 只需 5 秒音频即可克隆声音并实时合成普通话语音，至今仍是最受欢迎的中文 TTS 仓库之一。
MockingBird声音克隆普通话 TTS实时 TTSSV2TTS开源
阅读更多7 分钟阅读
EmotiVoice：网易有道的提示词可控情感 TTS
EmotiVoice 是网易有道开源的 TTS 引擎，拥有 2,000+ 种中英文音色，只需简单的文本提示词即可设定情绪。
EmotiVoice文本转语音情感 TTS提示词控制网易有道开源
阅读更多7 分钟阅读
YourTTS：零样本多说话人 TTS 与声音转换
YourTTS 是 Coqui 基于 VITS 构建的研究模型，是首个还能执行零样本声音转换的多语言零样本多说话人 TTS 系统。
YourTTS多说话人 TTS声音转换零样本 TTS多语言 TTSVITS
阅读更多7 分钟阅读
WhisperSpeech：基于 Whisper 反向架构的文字转语音
WhisperSpeech 将 OpenAI 的 Whisper 语音识别架构反向用于从文字生成语音，并且只使用获得适当许可、可安全商用的数据。
WhisperSpeech文字转语音Whisper合规授权数据开源语音合成
阅读更多7 分钟阅读
VoiceCraft：零样本语音编辑与声音克隆
VoiceCraft 能编辑已有语音，并用几秒音频克隆声音；在对比中，编辑后的片段有 48% 的时候比原始录音更受听众偏爱。
VoiceCraft语音编辑声音克隆零样本 TTS语音补全开源
阅读更多阅读约 5 分钟
Voicebox：Meta 的非自回归流匹配语音 AI
Voicebox 是 Meta AI 的研究模型，它根据文本和音频上下文补全语音，并利用流匹配实现零样本文本转语音、编辑与降噪。
VoiceboxMeta AI语音补全流匹配零样本 TTS声音克隆
阅读更多7 分钟阅读
MetaVoice：富有情感表现力的英语声音克隆
MetaVoice 是一款采用 Apache 2.0 许可证的 TTS 模型，专为富有情感的英语语音而打造，只需 30 秒参考音频即可克隆美式和英式英语声音。
MetaVoice声音克隆情感 TTS英语 TTS零样本声音克隆开源
阅读更多阅读约 7 分钟
VibeVoice：微软长篇多说话人 TTS 模型
VibeVoice 是微软的开源 TTS，可生成长达 90 分钟、包含 4 位说话人的播客音频，并提供配套的 VibeVoice-ASR 模型和 4-bit 量化版本。
VibeVoice多说话人 TTS长篇语音AI 播客开源模型
阅读更多7 分钟阅读
Sesame CSM 1B：上下文感知的对话语音模型
Sesame CSM 1B 从交错的文本与音频历史中生成语音，能够匹配对话的实际节奏和情感，而不是平淡地朗读文本。
Sesame CSM对话语音上下文感知 TTS开放权重语音生成
阅读更多7 分钟阅读
Llasa TTS：基于 LLaMA 的 1B-8B 双语语音模型
Llasa 通过 XCodec2 语音 token 扩展 LLaMA 1B、3B 和 8B 模型，并使用 25 万小时中英语音数据训练，支持声音克隆和文本转语音。
Llasa文本转语音LLaMA双语 TTS声音克隆XCodec2
阅读更多