开源语音交互 AI 虚拟伴侣，13.5K Stars。支持实时语音对话、视觉感知、Live2D 形象，桌面宠物模式可完全离线运行

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

检索式变声框架：10分钟语音训练音色模型，训练推理一体WebUI，37k stars

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

阿里Qwen团队出品，中文WER开源最低，配套ForcedAligner毫秒级时间戳，视频配音翻译链路的基础设施

实时交互流式数字人引擎，9.3K Stars。支持 Wav2Lip/MuseTalk/Ernerf 多模型，WebRTC/RTMP/虚拟摄像头输出，已广泛商用

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

完全离线、0.15秒出字，按住CapsLock说话松开就上屏，再也不用给讯飞交月费了

对着屏幕说话，文字自动出现在任何应用的光标处，AI还帮你润色

语音识别+大模型+语音合成+虚拟形象全链路打包,开箱即用,直播带货/客服场景首选

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

上传视频自动语音转写，选中文字段落就剪出对应片段，还支持按说话人剪辑和 LLM 辅助选段

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……