MOSS-TTS-Nano：轻量级多语言零样本TTS模型，CPU实时语音合成
MOSS-TTS-Nano 是由 OpenMOSS 团队开源的一款超轻量级多语言文本转语音（TTS）模型，依托 MOSS 大模型生态构建，主打小体积、低延迟、低硬件门槛与高音质输出，是面向端侧设...
StepAudio 2.5 TTS：阶跃星辰推出的高精度文本转语音模型
StepAudio 2.5 TTS是阶跃星辰推出的新一代AI文本转语音模型，以全局语境控制、文中语境精细调节、零样本音色复刻为核心能力，支持自然语言描述式情感与风格调控，延迟低、音...
MMX-CLI：MiniMax官方全模态AI命令行工具，一键解锁文本/图像/视频/语音/音乐生成能力
MMX-CLI是MiniMax-AI官方开源的全模态AI命令行工具，专为AI Agent与开发者设计，集成文本对话、图像生成、视频创作、语音合成、音乐制作、视觉理解、网络搜索等核心能力，通...
悦音配音：制片帮旗下AI仿真人情感配音工具
悦音配音是深圳制片帮网络科技有限公司研发的AI智能配音工具，主打AI仿真人情感配音功能，提供网页端与APP端双平台服务，平台依托自研ANN-Turb训练引擎，实现高度拟人化的语...
Voxtral TTS：Mistral AI开源的多语言语音合成模型，3秒克隆音色+超低延迟生成自然语音
Voxtral TTS是法国AI公司Mistral AI于2026年3月发布的首款开源文本转语音（Text-to-Speech, TTS）模型，也是业界首个专为企业级应用设计、具备前沿质量的开放权重TTS模型。
逗哥配音：一站式短视频配音创作工具箱，集成文案提取与人声分离
逗哥配音是一款集智能配音、音频处理与短视频创作辅助于一体的全流程AI语音合成工具平台。其核心功能是将用户输入的文字文本，通过先进的语音合成大模型技术，转化为高度拟...
KokoClone：开源快速语音克隆工具，支持文本生成与音频转换双模式
KokoClone是依托Kokoro-ONNX快速神经TTS引擎与Kanade语音转换架构打造的开源实时多语种语音克隆系统，具备文本克隆、音频克隆两大核心能力，仅需3-10秒参考音频即可实现零样...
Fun-CineForge：阿里通义实验室推出的AI电影配音工具与数据集生产流水线
Fun-CineForge是阿里通义实验室FunAudioLLM团队开源的影视级零样本电影配音全栈项目，包含端到端大规模配音数据集构建流水线与多模态配音模型，配套首个大规模中文影视配音...
Ming-omni-tts：开源统一音频生成模型，精准可控语音/音乐/音效一体化合成
Ming-omni-tts是inclusionAI开源的高性能端到端统一音频生成模型，依托自研12.5Hz连续音频Tokenizer与Patch-by-Patch压缩策略，实现语音、音乐、环境音效单通道联合生成，支...
PaddleSpeech：百度飞桨开源的全栈语音 AI 工具包，覆盖识别合成翻译克隆全场景
PaddleSpeech是基于百度飞桨（PaddlePaddle）深度学习框架打造的开源一站式语音与音频全功能处理工具包，该项目的核心定位是降低语音技术的使用与开发门槛，打通从数据处理...
MLX-Audio：面向Apple Silicon的开源本地AI语音文字互转与语音转换工具
MLX-Audio是基于苹果MLX框架深度开发、专为Apple Silicon M系列芯片优化的开源音频处理库，完整覆盖文本转语音、语音转文本、语音转语音三大核心能力，支持多语言、多主流模...
Qwen3-TTS：通义千问开源的AI语音合成模型，实现多语种语音生成与定制化音色创作
Qwen3-TTS是通义千问开源的一站式多语言语音生成模型全家桶，基于自研Qwen3大模型体系构建，采用离散多码本LM架构与Dual-Track双轨流式生成技术，实现语音克隆、语音设计、...
VoiceSculptor：开源语音定制合成框架，自然语言指令驱动的音色设计与语音克隆工具
VoiceSculptor 是由西北工业大学音频语音与语言处理研究组 主导开发并开源的语音智能处理类开源项目，是一款专注于「自然语言可控的语音定制与语音合成」的全链路工具框架，...
Chatterbox：开源的高性能TTS模型，支持23种语言零样本克隆与情感语音合成
Chatterbox是由Resemble AI团队打造的一款开源生产级文本转语音（TTS）模型家族，并非单一模型，而是三款针对性优化的先进TTS模型组合，整体以轻量化架构实现了媲美商业闭源...
AudioGPT：开源多模态音频处理工具，一站式实现语音、音乐、声音生成与理解
AudioGPT是由AIGC-Audio团队开源的多模态音频智能处理项目，其核心定位是“音频领域的全栈式解决方案”——通过整合业界成熟的基础模型，实现对语音、音乐、通用声音的“理...