vibe-knowledge:把知识点做成有出处的旁白短片
vibe-knowledge 是 Claude Code 知识短片技能:从事实核查、旁白到 1080p60 渲染,增强镜头可用 Renoise。
「文本转语音」标签聚合的各栏目已发布内容,按本站发布日期从新到旧排列。
21 条
vibe-knowledge 是 Claude Code 知识短片技能:从事实核查、旁白到 1080p60 渲染,增强镜头可用 Renoise。
threerocks 开源的 Agent Skill(MIT):把文章或主题做成逐笔描线、按真实配音排分镜的手绘讲解视频,交付成片、字幕与检查记录。
ElevenLabs 的 Eleven v4 按剧本朗读:说话人、情绪、停顿与音效标注进文本,90 语种克隆,AI 画布打通配音到成片。
清华 NLP 实验室(OpenBMB)开源 TTS:2B 参数、30 语种、声音设计与可控克隆、48kHz 输出,RTF 低至 0.3,Apache-2.0。
岚叔开源的 Agent Skill:脚本变数字人口播成片(口型、字幕、动效、渲染、质检全流程),另有 12 种风格的演示片路线,MIT,2,924 星。
Ollama 10 月 24 日上线首个语音模型 Phonon:Mac 本地合成语音,英文权重 Apache 2.0 可商用,40M 版不可商用。
Daily 维护的开源 Python 框架,语音识别、TTS、多模态管线即插即用,多 Agent 支持交接与并行扇出,客户端 SDK 覆盖七端。
VoxWeft 把 VoxCPM2 移植到 MLX 做本机同声传译:首段音频约 170 毫秒,支持 30 种语言与 5 秒声线克隆,数据不出机。
Ming 3.0 TTS 覆盖语音合成、识别与音频理解:含 0.5B 和 7.9B 版本、上下文转写与 126B 音频模型,部署需匹配 GPU。
清华 MAIC 团队开源的 OpenMAIC:多智能体生成幻灯片、测验与可交互实验,AI 老师同学实时讲解,MIT 许可,4.1 万星。
OpenCreator(原 KrillinAI)复用 Codex CLI 做引擎,12 个创作工具覆盖视频翻译、配音、封面、文案,桌面端内置 Codex。
VideoLingo 把视频翻译做成一键流水线:词级识别对齐、AI 分段、术语表翻译、多后端配音甚至声音克隆,Apache-2.0 开源。
自托管的会议中间件,智能体通过 MCP 加入浏览器里的视频会议,读实时转录、用语音或聊天发言,模型和语音服务可自选。
给 Claude Code 等智能体加上双向语音对话:你开口说,它用语音答。可用本地 Whisper 和 Kokoro 离线运行,也可接 OpenAI 云服务。
VoiceStudio 是 ElevenLabs 的本机开源替代:克隆、配音、转写不联网,17 套 TTS、9 套转写引擎,MCP 供 Agent 调用。
Parker 主政下的 Stability AI 转向音乐工具商:8 月底 7600 万美元新融资含索尼/华纳/环球,三大曲库获训练授权,已发三个音频模型。
OpenBMB 的 VoxCPM2 用 2B 参数做开源语音克隆:30 种语言、48kHz 输出,Apache-2.0 可商用,配音和播客都能本地跑。
ElevenLabs 9 月 28 日发布语音模型 v4 与 v4 Turbo:90+ 语言、10 秒克隆声音,Turbo 延迟约 100 毫秒,开放 API。
html-explainer 是给 Claude Code、Codex 等编程智能体用的开源 Skill:给一个主题,它从调研、解说词、配音一路跑到逐帧渲染和封面,产出带硬字幕的讲解视频。画面用 HTML 和 GSAP 写,不录屏、靠 seek 渲染保证帧级可复现,默认 edge-tts 免费免密钥,全程本地跑。
给视频、课程和有声内容做配音,常见的路是粘进云端 TTS:按字收费、声音同质化、文稿还得先上传。yovoice 把 7 个本地 TTS 模型经 audio.cpp 跑在自己机器上,1-60 秒参考音频克隆声音,录音、剪辑、导出齐备,另带 CLI 和 Agent Skill。Apache-2.0 开源,macOS 与 Windows 可用。
在本地把电子书转成有声书的开源工具,内置多种 TTS 引擎,支持语音克隆和 1158 种语言,可输出带章节与元数据的 m4b,无需云服务,最低 2GB 内存即可运行。