text-to-speech

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.

unslothai/unsloth

LLM/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, MiniMax-H3, Gemma 4, FLUX and more.

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.

calesthio/OpenMontage

AI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

QwenAudio/qwen-audio-agent

AI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。

SGLang-Omni is a high-performance serving framework for audio models (TTS, ASR) and unified multimodal models.

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

assafkip/claudemy

Claudemy: 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.cpp

ggml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.