MMX-CLI
MiniMax 多模态 CLI 工具，Node.js 编写，七大模态命令：text、image、video、speech、music、vision、search，AI Agent 可直接调用生成图像、视频、语音、音乐
🎯适用场景：语音合成与实时语音交互、多模态内容理解与生成
📊 仓库数据
✅ 优点
- •MiniMax 模型 CLI 工具
- •多模态支持
- •API 集成简单
⚠️ 限制
- •仅支持 MiniMax
- •功能较基础
- •社区较小
🔗 相关工具
ChatTTS
github.com/2noise/ChatTTS
日常对话生成语音模型，39,109+ stars。专为对话场景优化的文本转语音模型，生成自然流畅的语音，支持多种声音风格和情感表达
🎯语音合成与实时语音交互
MockingBird
github.com/babysor/MockingBird
5 秒克隆声音，37K+ stars。5 秒克隆声音生成任意语音的实时语音合成工具，支持多语种语音克隆
🎯语音合成与实时语音交互
Voicebox
github.com/jamiepine/voicebox
Voicebox 是开源的语音合成工作室，提供高质量的文本转语音 (TTS) 能力。支持多语言、多音色、情感化语音生成，22,208 stars（周增 5,198 星）。与商业 TTS 服务不同，Voicebox 完全开源可自部署，提供 Web UI 和 API 两种使用方式。支持声音克隆（少量样本即可）、实时流式输出、SSML 标记语言控制韵律和语调，是播客制作、有声书生成、游戏配音和 AI 语音助手的理想选择
🎯播客/有声书自动化、游戏 NPC 配音、AI 语音助手、视频内容配音、无障碍朗读
VoxCPM2
github.com/OpenBMB/VoxCPM
VoxCPM2 是由清华大学和 OpenBMB 联合开源的无 Tokenizer 语音合成模型。不同于传统 TTS 模型先将文本转为 token 再生成语音的流程，VoxCPM2 直接从字符映射到音频波形，消除了 Tokenizer 环节带来的信息损失。2B 参数规模，支持 30 种语言、48kHz 录音棚级音质、零样本语音克隆（仅需 3 秒参考音频即可复刻音色）和创意声音设计。GitHub 15K+ stars，是 2026 年最值得关注的开源 TTS 项目之一。与 Voicebox 互补——VoxCPM2 偏重学术创新和无 Tokenizer 架构探索，Voicebox 偏重工程实用和用户体验
🎯开源 TTS 研究、中文语音合成、有声书/播客自动化、语音克隆实验、AI 助手语音输出、多语言内容本地化配音
CosyVoice
github.com/FunAudioLLM/CosyVoice
阿里 FunAudioLLM 多语言语音生成大模型，提供推理、训练和部署全栈能力，支持跨语种合成和声音克隆。
🎯多语言语音合成、声音克隆、实时语音交互
Index Tts
github.com/index-tts/index-tts
工业级可控高效 TTS，4.4K+ stars。工业级可控高效的零样本文本转语音方案，支持语音克隆和风格控制
🎯机器人控制、仿真与边缘部署、语音合成与实时语音交互