Qwen Audio 3.0 TTS Plus

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

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

一次推理生成超真实对话式 TTS 语音的模型，19k+ stars

🎯生成自然的对话式语音输出，适合播客、有声书和 AI 语音助手

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

🎯语音合成与实时语音交互、多模态内容理解与生成

5 秒语音克隆工具，59,640+ stars。只需 5 秒音频样本即可克隆任意人声，支持实时语音合成，是语音合成和 TTS 领域的里程碑项目

🎯语音合成与实时语音交互

1 分钟数据训练 TTS，56,826+ stars。强大的少样本语音克隆和文本转语音工具，仅需 1 分钟参考音频即可训练出高质量 TTS 模型，支持多语言和中日英三语合成

🎯语音合成与实时语音交互