Ein offenes Framework für Stimmklang-Umwandlung und Live-Stimmwechsel. Es verlangt mindestens zehn Minuten saubere Sprache zum Trainieren, erreicht 170 Millisekunden Ende-zu-Ende-Latenz und bringt eine Weboberfläche plus eine Live-Oberfläche mit.

Ein offenes Modell zur Quellentrennung, das einen gemischten Song in Schlagzeug, Bass, Gesang und die übrige Begleitung zerlegt. Ein Aufruf auf der Kommandozeile genügt, aus Python ist es ebenso nutzbar, der Code steht unter MIT.

Ein Open-Source-Werkzeug, das einen Song mit Modellen zur Quellentrennung in Stimme und Begleitung zerlegt. Das offizielle Paket bringt Oberfläche, Python, PyTorch und die Abhängigkeiten mit, vorbereitet werden muss nichts.

Ein Ablauf, der zwei Lücken von Whisper schließt: Zeitstempel enden auf Satzebene, und eine Stapelverarbeitung fehlt. WhisperX richtet zwangsweise aus, um Wortzeiten zu gewinnen, labelt Sprecher und nennt 70-fache Echtzeit auf large-v2.

Ein Desktop-Werkzeug, das Audio auf dem eigenen Rechner transkribiert und übersetzt, mit Whisper darunter. Es nimmt Mediendateien oder Links, schreibt live vom Mikrofon mit, trennt Sprecher und exportiert reinen Text sowie SRT und VTT.

Ein universelles Spracherkennungsmodell, das Transkription, Übersetzung ins Englische und Spracherkennung in einem Durchlauf erledigt. Sechs Größen reichen von rund 39 Millionen bis rund 1,55 Milliarden Parametern, Code und Gewichte stehen unter MIT.

Ein Zero-Shot-Sprachsynthesesystem für den lokalen Betrieb. Ein Referenzclip genügt zum Klonen, Emotion, Tempo und Aussprache bleiben Parameter, und für die Gewichte gilt eine Lizenz des Projekts statt einer allgemeinen Open-Source-Lizenz.

Ein quelloffenes Projekt für Sprachsynthese auf Basis von Flow Matching, mit pip-Paket, Kommandozeilen-Inferenz und Gradio-Oberfläche. Der Code ist MIT, die vortrainierten Gewichte sind wegen der Trainingsdaten nicht kommerziell nutzbar.

Ein quelloffenes Sprachsynthesemodell, dessen neueste Generation sprachübergreifendes Zero-Shot-Klonen beherrscht, 9 Fremdsprachen und über zehn chinesische Dialekte und Akzente abdeckt und unter der Apache-2.0-Lizenz steht.

Eine quelloffene WebUI für Sprachsynthese. Fünf Sekunden einer menschlichen Stimme genügen für Zero-Shot-Ausgabe, eine Minute Trainingsmaterial reicht für eine nähere Stimmfarbe, und die Inferenz wechselt zwischen fünf Sprachen inklusive Mandarin, Englisch, Japanisch, Koreanisch und Kantonesisch.