text-to-speech
14件のリポジトリ
harry0703/MoneyPrinterTurboテーマ入力だけでAIが短尺動画を自動生成 — 主題やキーワードを与えるだけで、脚本作成・素材選定・字幕生成・BGM合成までAIが自動化し、TikTokやYouTube Shorts向けの高画質動画を一気通貫で作れるツールです。LLMやFFmpegを組み合わせた自動化ワークフローが特徴で、動画制作の初心者や量産が必要なクリエイターに刺さります。
利用 AI 大模型和自动化工作流，根据主题或关键词一键生成高清短视频。Generate HD short videos from a topic or keyword with an automated AI workflow.
debpalash/VoiceStudio完全ローカルで動くElevenLabs代替の音声スタジオ — VoiceStudioはクラウド不要・完全ローカルで動くElevenLabsの代替ツールです。646言語対応の音声クローン、音声デザイン、動画の吹き替え、ディクテーション、文字起こし、オーディオブック生成までを一括で扱えます。CUDAやMLXにも対応し、ローカルAPI/MCPでエージェント連携も可能な点が特徴です。
VoiceStudio is the open-source, fully-local ElevenLabs alternative — voice cloning, voice design, video dubbing, dictation, transcription & audiobook creation in 646 languages.
unslothai/unslothLLM/画像生成モデルをローカルで動かすデスクトップアプリ — Unslothはローカル環境でLLMや拡散モデルの実行・学習ができる初のデスクトップアプリです。GGUFやMLX形式に対応し、Qwen3.8やDeepSeek-V4、Gemma、FLUXなど最新モデルを幅広くサポート。クラウド不要でファインチューニングまで完結できる点が特徴です。
Local UI to run and train LLMs and diffusion models. Supports GGUF, MLX, Qwen3.8, DeepSeek-V4.1, MiniMax-H3, Gemma 4, FLUX and more.
calesthio/OpenMontageAIコーディングアシスタントを映像制作スタジオ化するOSS — Claude・Cursor・Copilotなどのエージェントに動画制作能力を与える、世界初のオープンソース・エージェント型映像制作システムです。12種類の制作パイプラインと100以上のツール、700超のエージェントスキル・知識ファイルを備え、FFmpeg・Stable Diffusion・ElevenLabsなど既存の生成AI技術を統合して脚本から編集まで自動化する点が新しく、動画クリエイターや開発者に刺さる構成です。
World's first open-source, agentic video production system. 12 production pipelines, 100+ tools, 700+ agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.
OpenBMB/VoxCPMトークナイザー不要の多言語TTS「VoxCPM2」 — OpenBMBによるトークナイザーフリーのTTSモデルで、多言語の音声生成・創造的なボイスデザイン・高精度な音声クローニングを実現します。MiniCPM系の技術をベースに、より自然で表現力豊かな音声合成を目指す点が特徴で、音声合成の研究者や開発者に刺さる内容です。
VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
abus-aikorea/voice-proTTS・音声クローン・Whisperをまとめた字幕/吹替用Gradio UI — Voice-ProはEdge-TTSやKokoroによる音声合成、E2/F5-TTS・CosyVoiceによるゼロショット音声クローン、Whisperによる文字起こし、YouTubeダウンロード、Demucsによるボーカル分離、多言語翻訳を一つのGradio WebUIにまとめたツールです。字幕作成や吹替、ポッドキャスト・オーディオブック制作を、ツールを組み合わせずに一括して行いたい制作者・開発者向けです。
Gradio WebUI for creators and developers, featuring key TTS (Edge-TTS, kokoro) and zero-shot Voice Cloning (E2 & F5-TTS, CosyVoice), with Whisper audio processing, YouTube download, Demucs vocal isolation, and multilingual translation.
lemomo-ai/lemo-opuscarA toolbox of film styles made in code for Claude Code: 59 ready to use, and your own. Each style is a style prompt plus a demo film made entirely in code by Claude Opus 5.5, with no video model. By Lemomo. · 一套用代码做片的风格工具箱：59 种现成风格，也能做出你自己的
QwenAudio/qwen-audio-agentAIエージェントを「そこにいる」ように話し続けるリアルタイム音声ランタイム — Qwen Audio Agentは、AIエージェントがツール呼び出しや作業中でも会話を止めずに応答し続けられるリアルタイム音声ランタイムです。ACPやA2Aバックエンド統合、Claude CodeやCodex等の開発ツールとの連携に対応し、Voice AIをコーディングエージェントに組み込みたい開発者に向いています。
A realtime voice runtime that keeps Agents talking, working, and present. Real-time Voice Runtime for AI Agents
sgl-project/sglang-omni音声・マルチモーダルAIを高速配信するSGLang派生フレームワーク — SGLang-OmniはTTSやASR、統合マルチモーダルモデルに特化した高性能サービングフレームワークです。SGLangの技術基盤を活かし、ストリーミングや分散推論、OpenAI互換APIに対応することで、音声・マルチモーダルAIの実運用を容易にします。
High Performance Serving Runtime For Interactive Super Intelligence System
techjarves/Portable-Local-Studio設定不要のオフラインAIスタジオ — 画像生成・GGUF形式LLMチャット・音声認識・音声合成を1つにまとめた完全オフライン動作のポータブルAIツールです。Windows/Linux/macOS対応でGPU・NPUによるハードウェア加速に対応し、クラウド不要・追跡なし・登録不要でローカルPC上に検閲されないAI環境を構築できる点が特徴です。
Portable local AI studio for Windows, Linux, and macOS. Zero-setup GUI for Image Generation, GGUF LLMs, Text to Speech & Speech to Text
vincentsch/explainrooExplainer videos and product demos made by your AI agent. Free and open source: a local voice (Kokoro), word timing (Whisper) and a canvas renderer turn a script into a narrated MP4.
assafkip/claudemyClaudemy: an open-source alternative to Udemy and Coursera. Give Claude a topic, it researches the web and builds a course of 2-minute audio lessons with cited sources. A free Claude Code skill.
nyosegawa/speech.cppggml駆動の音声合成・認識オールインワンCLI — whisper.cppやllama.cppと同じggmlエンジン上で、TTS・ASR・VADをひとつのCLI/ライブラリに統合したC++実装です。Qwen3-TTSやReazonSpeechなど複数モデルに対応し、Metal/Vulkan/CPUで動作。OpenAI互換サーバーやライブ文字起こしも備え、音声対話アプリを手早く組める点が特徴です。
Speech synthesis, speech recognition and voice activity detection for voice conversation, in C++ on ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet and Silero VAD on Metal, Vulkan and the CPU, with an OpenAI-compatible server and live transcription.
amurgola/LumaBrowserLocal AI desktop app: a Chromium browser with a GPU-aware llama.cpp runtime, OpenAI-compatible API, AI chat and agents, Stable Diffusion image/video, TTS and music, plus an MCP server so Claude Code, Codex and Cline can drive your browser. Windows, macOS, Linux.