把安卓手机变成可定制的 TTS 朗读器，内置微软演示接口，支持自定义 HTTP 请求、导入本地引擎，还能按中文引号自动区分旁白和对话。

把 GPT-SoVITS 语音克隆模型转成 ONNX 并做推理的引擎，方便在没有 PyTorch 环境里跑少样本音色克隆和语音合成。

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 RVC、F5-TTS、Chatterbox、IndexTTS-2 等十多种本地语音合成与变声引擎集成进 ComfyUI，支持多语言、超长文本、SRT 时间轴和角色音色，一站式完成配音与音频编辑。

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。

把电子书（EPUB 等）一键转成有声书，内置 50 多种 TTS 引擎，支持声音克隆和 1696 种语言，适合批量制作多语言音频书。

开源本地 AI 推理引擎，无需 GPU 即可在任意硬件上跑 LLM、视觉、语音和图像生成模型，提供兼容 OpenAI 的 API。

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。

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。

Python 语音识别库，统一封装多种在线和离线引擎与 API，几行代码就能把音频转成文字，省去逐个对接各家服务的麻烦。

基于 CTranslate2 重实现的 Whisper 语音转文字推理引擎，通过量化与高效推理大幅提速并降低显存占用，适合本地部署转录。

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。

一款现代跨平台电子书阅读器，支持 EPUB、MOBI、Kindle 等格式，界面直观、工具丰富，适合重度阅读用户在多设备间无缝阅读。

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。

多语言文档智能解析引擎，能从 100 多种格式中提取文本、表格和元数据，并支持 OCR、语音转写和代码理解，适合为 RAG 流程准备高质量数据。

开箱即用的语音工具包，覆盖流式语音识别、语音合成、声纹识别、语音翻译和关键词唤醒，自带标点恢复与文本前端，适合快速搭建语音推理服务。

通用 AIGC 视频引擎，把剧本到成片串成一条流水线，覆盖漫剧、广告、电商和乙游等场景，省去多工具拼接的麻烦。

端侧唤醒词检测引擎，用深度学习在本地识别自定义唤醒词，无需联网即可实现语音激活。

一行代码就能把 GPT 换成任意开源大模型，统一推理 API 支持云端、本地和笔记本部署，覆盖语言、语音和多模态模型。

用 C++ 写的开源内存搜索引擎，支持模糊容错、分面和地理检索，可作为 Algolia、Pinecone 或 ElasticSearch 的轻量替代，快速搭建搜索体验。

基于 TypeScript 的开源 AI Agent 框架与工程平台，帮开发者快速搭建、编排和观测 LLM 智能体应用。

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。

在 Android 手机上本地跑 NLLB 模型的实时翻译 App，支持蓝牙耳机对话翻译，全程离线不联网也能用。

用 Rust 写的高性能 AI 模型推理引擎，支持 LLM 和语音合成，并针对 Metal 做加速，适合在本地或服务端跑模型推理。

纯 C++ 音频推理引擎，基于 ggml 实现，一套代码覆盖语音合成、识别、VAD、变声和音乐生成，不依赖 Python，适合边缘部署。

轻量级离线语音识别引擎，用 C 写成、体积小、资源占用低，适合在嵌入式设备和移动端做实时语音转文字。

跨平台本地大模型推理引擎，支持 Godot、Flutter、Expo 等客户端，让 LLM 在任意设备上高效离线运行。

Soprano 是一个超写实、低延迟的文本转语音引擎，能把文字快速合成接近真人音色的语音，适合需要即时发声的场景。

免费开源的语音合成引擎，支持俄语、英语、葡萄牙语等多种语言，可在 Android 和 Linux 上离线把文本转成语音。

支持普通话、粤语、藏语的中文语音合成引擎，可离线把文本转成语音，适合做多语言 TTS 应用。

ailia SDK 的预训练模型合集，覆盖动作识别、人脸检测、背景移除、语音处理等任务，拿来就能跑推理，省去自己找模型和调参的功夫。

开源的大词汇量连续语音识别引擎，用 C 语言实现，可直接在本地完成语音转文字，适合搭建离线识别服务。

基于新一代 Kaldi 和 ncnn 的离线实时语音识别与语音活动检测引擎，无需联网即可在手机、嵌入式板卡和桌面端跑起来。

本地离线跑图像生成、实时语音对话和 LLM 聊天机器人的桌面推理引擎，数据不出本机，适合注重隐私的创作与自动化工作流。

基于 ggml 的 C++ 语音推理运行时，统一跑 Cohere Transcribe、Parakeet TDT、Voxtral、Canary 等多语言 ASR 与 TTS 模型，还带通用强制对齐。

Linux 上的离线语音听写工具，基于 whisper.cpp、Whisper 和 VOSK 引擎，支持 GPU 加速，在 X11 和 Wayland 下都能把说的话直接输入到任意应用。

汇总 GitHub 上 PyTorch 相关的模型、实现、辅助库和教程，帮你在一个清单里快速找到需要的深度学习资源。

一份精选的 AI 工具清单，把各类 AI 助手、Agent 和实用工具按类别整理好，方便你快速找到适合自己场景的工具。