音频与音乐 · 第 5 页

ebook2audiobook 是将电子书转换成有声书的开源应用，支持章节与元数据、多种语音引擎，以及 M4B、MP3 等音频输出。

FastKoko 是基于 Kokoro 的语音合成服务，提供兼容 OpenAI 的语音端点和可选网页界面，可从文本生成语音并输出带时间信息的字幕。

FunClip 是本地自动剪辑工具，通过语音识别得到视频文字和说话人信息，可按选中的文字片段或说话人剪出视频并生成字幕。

GPT-SoVITS 提供语音转换与文字转语音网页界面，可使用短声音样本生成语音，并提供训练数据分段、识别和文本标注工具。

提供语音识别工具与模型调用接口，可对音频生成转写文本，并按选用模型配置离线、流式等处理。

OpenReader 是文字转语音阅读应用，支持 EPUB、PDF、TXT、Markdown 和 DOCX，可边听边跟读，并导出 M4B 或 MP3 有声书。

OpenWhispr 是桌面语音输入与转录工具，可用快捷键把口述内容输入当前应用，也支持导入录音、会议转录和笔记整理。

Pixelle-Video 是开源 AI 视频创作工具，可根据主题生成文案、配图或视频、语音与背景音乐，再合成为成片。

Jarvis AI Assistant 是 macOS 语音输入应用，可按住 Fn 说话后生成带标点的文本，并提供语法整理和改写。它支持本地 Whisper 或 Parakeet 转录，也可通过 Ollama 使用本地语言模型。

通过 Python 调用说话人分离流水线，为录音标出不同说话人的发言时间段。

基于 PyTorch 的语音处理工具包，提供语音识别、语音翻译、合成和增强等能力，并可从终端或 Python 调用模型。

使用 CTranslate2 重新实现 Whisper 推理的语音转写软件包，可从音频生成带片段时间范围的文字，并返回语言识别信息。

通过文字或语音驱动虚拟形象说话的实时数字人工具，可结合语言模型生成回复，并以 WebRTC 等方式输出音视频。