微软开源的前沿语音AI模型，支持60分钟长音频识别和90分钟多说话人语音合成

68种语言语音转文字，支持多语言识别/翻译/语种检测，命令行即可使用

7 引擎 TTS + 语音克隆 + 全局语音输入，本地运行零隐私泄露

10语言全覆盖、97ms流式延迟、3秒声音克隆，中文TTS天花板，Apache 2.0商用免费

零依赖、无需 GPU，一行命令让 AI Agent 开口说话，支持中文多种声音

微软开源中文 TTS，男声女声，RTF 0.5x，Agent 通过 SSH 一键生成并播放

OpenBMB 开源的 2B 参数文本转语音模型，支持 30 语言、Voice Design 声音设计、可控声音克隆，48kHz 输出，Apache-2.0 可商业使用

开源本地语音合成工作室，ElevenLabs 的免费替代品，支持 23 种语言

MiniMax 官方 CLI，支持文本/图像/视频/语音/音乐生成，AI 代理原生集成

一站式视频字幕处理：语音识别、字幕优化、翻译、配音、烧录，免费功能安装即用

音频驱动数字人视频生成，照片+语音生成对口型视频，支持唱歌/双人对话/动漫动物，8步推理，MIT协议可商用

它可以实现：关机弹出时能保证最前端显示，最好有语音提示，最好能倒计时，最好能取消，最好还能加个10分钟延迟关机的……坐电脑前有时会忘记事情，最好还能顺便加个定时提醒的……

这种东西要穷其一生去研究。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域TensorFlow将完全开源，任何人都可以用。

开源高性能聊天机器人框架，支持多模态对话、语音交互和可扩展插件，一键部署私有 ChatGPT。

集成翻译、配音、语音克隆，支持横竖屏，输出适配抖音、小红书、B站、YouTube、TikTok

AI驱动的视频字幕提取+文案三维度分析，支持B站/YouTube/抖音，FunASR中文语音转录+RapidOCR烧录字幕识别

微软删除官方推理代码后，社区补上的完整 MLX 实现。支持 1.5B/7B 语音合成、零样本语音克隆、量化加速。

微软删除官方 TTS 推理代码后，社区 fork 保留的 PyTorch 完整实现。支持单卡/多卡推理、语音克隆、Gradio Demo。

用 Scrcpy 图形化控制 Android 设备，支持无线投屏、多设备管理、集成控制栏、AI 语音操控

利用 AI 大模型一键自动解说并剪辑视频，支持多语言、字幕、语音合成