OpenAI Whisper

百度开源的多语言 OCR 工具，75,995+ stars。支持 80+ 语言识别，提供超轻量级中文 OCR 模型（仅几 MB），可部署于服务器、移动端和嵌入式设备，是工业级 OCR 方案的首选

🎯 文档数字化、车牌识别、票据处理、多语言文字提取

开源 OCR 引擎，73,620+ stars。由 HP 开发、Google 维护的顶级文字识别引擎，支持 100+ 语言，可识别图片、PDF、扫描件中的文字。结合 LSTM 神经网络实现高精度 OCR，是 AI 文档处理的基础设施。

🎯 文档数字化、发票/收据识别、多语言文字提取、AI 文档处理 Pipeline

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

🎯 个性化语音合成、虚拟主播配音、多语种内容制作

OpenAI Whisper C/C++ 移植，48,793+ stars。高性能语音识别引擎，将 OpenAI Whisper 移植到 C/C++，支持 99 种语言的语音转文字，CPU 即可高效运行

🎯 语音转文字、会议记录、播客字幕生成、离线语音识别

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 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