本地运行的 ElevenLabs 开源替代品，支持声音克隆、语音设计、视频配音、听写、转写和有声书制作，覆盖 646 种语言。

把视频从一种语言翻译成另一种语言，自动生成配音和字幕并嵌入视频，适合做视频本地化和跨语言内容分发。

开源 AI 视频本地化配音工具，把 YouTube/Bilibili 视频自动做语音识别、字幕翻译、声音克隆和混音渲染，一站式生成多语言配音成片。

面向创作者的开源 AI 工作台，集视频下载、翻译配音、转录、图像与视频生成、剪辑于一体，支持 120 多种语言，适合做 YouTube、TikTok 等社媒内容本地化。

一站式桌面工具，用本地 Whisper、FunASR 等模型离线把视频转成字幕，还能翻译、AI 配音、声音克隆和烧录字幕，支持批量处理与全平台 GPU 加速。

输入一段文本就能生成带笑声、叹息等非语言声音和背景音乐的语音，效果自然，适合做创意配音和音频内容原型。

把任意脚本自动生成多风格火柴人动画视频，自动配画面、配音、字幕和音效，适合做无露脸 YouTube 频道。

开源的对话语音生成模型，能把文字转成自然流畅的日常对话语音，适合给聊天机器人和语音助手配音。

面向创作者和开发者的 Gradio 语音工作台，集成多引擎 TTS、零样本声音克隆、Whisper 转写、人声分离与多语言翻译，一站式完成配音和字幕制作。

把 Claude、Cursor 等 AI 编程助手变成完整视频制作工作室，内置 12 条制作流水线和 100+ 工具，覆盖脚本、配音、图像生成到剪辑全流程。

用 Stable Diffusion 做音频驱动唇形同步，让视频或虚拟人像的口型与语音对齐，适合做数字人和视频配音。

多音色、支持提示词控制情感与风格的语音合成引擎，输入文本即可生成带情绪表现力的自然语音，适合做有声内容和虚拟人配音。

开源 AI 语音工作室，支持声音克隆、语音听写和语音生成，基于 Qwen3-TTS 与 Whisper，可在 CUDA 或 MLX 上本地运行。

输入一个主题或关键词，就能自动完成文案生成、素材匹配、配音字幕和视频合成，一键产出高清短视频，省去手工剪辑的麻烦。

基于 ComfyUI 的全自动短视频生成引擎，串联文生图、语音合成与视频生成，一条流水线把创意直接做成短视频。

只需 1 分钟语音数据就能训练出高质量 TTS 模型，支持少样本音色克隆，适合快速定制个性化语音合成。

工业级零样本语音合成系统，只需几秒参考音频就能克隆音色并跨语种合成，兼顾可控性与推理效率。

无需分词器的多语言语音合成模型，支持创意音色设计和逼真声音克隆，可直接从文本生成自然语音。

基于流匹配的语音合成模型官方实现，只需一段参考音频就能克隆音色并生成流畅自然的语音，适合做零样本 TTS 和语音克隆。

开源文本转语音工具，能把超长文本拆成多角色配音，适合做有声书和长内容朗读。

面向影视生产的工业级 AI Agent 平台，用可控的智能体工作流把短剧、分镜到实拍级视频的制作流程串起来。

自托管的多模型 AI 图像与视频生成工作台，聚合 Flux、Midjourney、Kling、Sora 等 600+ 模型，无内容过滤，可替代闭源视频平台。

用字幕文件自动翻译视频文本，再通过 AI 语音合成生成配音音轨，并按字幕时间轴对齐口型，省去手动配音和打轴的麻烦。

基于新一代 Kaldi 和 onnxruntime 的离线语音工具包，一套搞定语音识别、合成、说话人分离、降噪、声源分离和 VAD，可跑在嵌入式、手机和服务器上。

拆解抖音爆款知识短片，自动生成导演分镜表、配音效并一键出片，适合批量做知识类短视频。

把视频自动翻译并配音成另一种语言，集语音识别、说话人分离、字幕翻译和语音合成于一体，输出音画同步的译制视频。

一套面向财经科技短视频的 AI 制作技能包，覆盖选题设计、找片截图、配音、渲染和混音，帮内容创作者快速产出华尔街风格的解读短片。

把长视频自动切成镜头、用多模态模型看画面写解说词、再配音合成成片，还能一键导出可编辑的剪映/CapCut 草稿，全程不用 GPU。

腾讯混元开源的多模态扩散模型，根据视频画面和文本描述生成高保真拟音音效，解决视频配音中脚步声、环境声等 Foley 音效制作费时费力的问题。

本地优先的开源视频编辑器，创作者和 AI 智能体共用同一条真实时间线协作剪辑，支持自动字幕、AI 配音与音乐生成。

把新闻自动做成 YouTube Shorts 的流水线：生成脚本、AI 画面、配音、字幕并上传，省去手工剪辑。

上传一张商品图，AI 自动提炼卖点、写种草脚本并配上画面配音字幕，批量生成抖音、快手、小红书、TikTok Shop 带货短视频，可本地部署、无水印。

把一句想法丢进对话，就能自动完成脚本、配图、配音到成片的 AI 视频生成多智能体系统，适合快速产出短片。

从长视频游戏录像里自动剪出适合竖屏短视频的精彩片段，靠 AI 场景分析挑高光、GPU 加速渲染，还能加 AI 配音。

一条命令把任意选题自动做成可直接发布的短视频，涵盖调研、脚本、配音、画面、配乐、字幕与合成，适合批量生产 YouTube、Reels、TikTok 内容。

把微软 VibeVoice 语音合成模型接入 ComfyUI 的节点插件，支持单人和多人对话式语音生成，可直接在工作流里出高质量配音。

把单个知识点自动做成带旁白、逐句标注出处的知识短片，基于 Claude Code 技能，内置 44 套视觉风格，代码逐帧渲染成片。

用脚本把文字稿一键生成带配音、口型同步和幻灯片的播客或视频，省去剪辑和录音流程。

基于 Qwen3-TTS 的多角色有声书生成器，用 LLM 标注脚本、克隆音色并逐句控制风格，可导出 MP3、分章 M4B 或 Audacity 多轨工程。

输入一段文字就能自动生成视频脚本、AI 配音和会说话的人脸，快速产出无真人出镜的短视频，适合做 Shorts 类内容。