tts

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.

mudler/LocalAI

GPU不要で動く、OpenAI互換のオープンソースAIエンジン — LocalAIはOpenAI API互換のローカルAI実行エンジンで、LLMだけでなく画像・音声・動画生成まで幅広いモデルをGPUなしで動かせます。llama.cppやvLLM、whisper.cppなど最良のバックエンドをそれぞれ個別イメージでラップする「小さなコア」構成が特徴で、クラウド依存を減らしたい開発者やセルフホスト志向のチームに向いています。

LocalAI is the open-source AI engine. Run any model - LLMs, vision, voice, image, video - on any hardware. No GPU required.

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

krillinai/OpenCreator

Codex駆動のAI創作ワークスペース「OpenCreator」 — 旧KrillinAIから改称した本プロジェクトは、Codex CLIを実行エンジンに据え、動画・画像・音声・アバター生成や動画翻訳・編集をAgentとSkillで一元管理するローカル志向のAIワークスペースです。個々のツールを別々に使う手間を省き、クリエイターと開発者が同じ場で創作を進められる点が新しく、翻訳・ローカライズやTTSに強い点が特徴です。

Formerly KrillinAI, VideoTranslation and Dubbing Tool. Open-source AI workspace for creators, powered by Codex. Video downloading, video translation, create videos, images, voice, avatars, and edits with Agents in one place. Suitable for your Social Media like YouTube, TikTok, Instagram, etc.

VoltAgent/voltagent

TypeScript製AIエージェント開発基盤VoltAgent — メモリ・RAG・ツール・MCP・ワークフローを備えたOSSのTypeScriptフレームワークと、可観測性やデプロイを担うVoltOps Consoleを組み合わせたAIエージェント構築プラットフォームです。複数エージェントをスーパーバイザーで統括するマルチエージェント構成を、コード主導でそのまま本番運用まで持ち込める点が特徴です。

AI Agent Engineering Platform built on an Open Source TypeScript AI Agent Framework

trymirai/uzu

Rust製・端末上で動く高速LLM推論エンジン — Mirai社によるRust製の高性能推論エンジンで、AIモデルをアプリ内に直接組み込み、ゼロレイテンシーと完全なデータプライバシーを実現します。AppleのMetalに対応し、iOS/macOS向けにSwift・Python・TypeScriptバインディングを提供、オンデバイスLLM/TTS実行の選択肢として注目されます。

A high-performance inference engine for AI models

nobodywho-ooo/nobodywho

どの端末でも動く、ローカルLLM実行エンジン — NobodyWhoはRust製の推論エンジンで、Gemma・Qwen・Mistralなどのチャット系LLMをオフライン・ローカルで高速に動かせます。GodotやFlutter、React Native、Kotlin/Swiftなど多言語バインディングを備え、ツール呼び出しの型安全な自動生成、画像・音声入力、TTS/STT/VAD機能まで統合しているのが特徴です。ゲームやアプリ開発者がAPIキー不要でオンデバイスAIを組み込みたい場合に刺さります。

NobodyWho is an inference engine that lets you run LLMs locally and efficiently on any device.

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.

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.