sherpa-onnx
基于 ONNX 的多平台语音处理引擎，支持语音转文字（ASR）、文字转语音（TTS）、说话人分离、语音增强和 VAD 等功能，可在 Android/iOS/Raspberry Pi/嵌入式设备上运行。（12K+ stars）
🎯适用场景：离线语音识别、嵌入式 TTS、语音助手后端、会议转录
📊 仓库数据
📈 上次抓取以来 ↑+9 ⭐
✅ 优点
- •跨平台支持极广（Android/iOS/ARM/PC）
- •完全离线运行，无需网络
- •ASR+TTS+说话人分离一体化
⚠️ 限制
- •模型体积较大，嵌入式设备需注意存储
- •文档和社区以英文为主
🔗 相关工具
VibeVoice
开源⭐ 47k↑+5github.com/microsoft/VibeVoice
微软开源的前沿语音 AI 模型，支持高质量语音合成与声音克隆，适用于多语种 TTS 与语音交互场景
🎯 机器人控制、仿真与边缘部署、语音合成与实时语音交互
MockingBird
开源⭐ 37kgithub.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
index-tts
开源⭐ 21k↑+3github.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
Stable Diffusion WebUI
开源⭐ 163k↑+12github.com/AUTOMATIC1111/stable-diffusion-webui
最流行的 Stable Diffusion Web UI，162,491+ stars。提供直观的图形界面，支持文生图、图生图、ControlNet、LoRA 微调、Inpainting 等核心功能，是 AI 图像生成领域的事实标准工具
🎯 大模型微调与训练、多模态内容理解与生成
ComfyUI
开源⭐ 114k↑+34github.com/comfyanonymous/ComfyUI
节点式 Diffusion 模型 GUI，109,363+ stars。基于节点的工作流编排，可视化连接各处理模块，是最强大的图像生成工作流工具，支持 SDXL、Flux、Stable Cascade 等最新模型
🎯 AI 工作流编排与自动化、多模态内容理解与生成
OpenAI Whisper
开源⭐ 100k↑+14github.com/openai/whisper
OpenAI 开源语音识别模型，99.9K+ stars。支持 99 种语言自动语音识别与翻译，可本地部署保护隐私，广泛用于会议转录、字幕生成等场景
🎯 多语言语音转文字、音频转录、本地私有化语音识别