tts

pyVideoTrans 是一个开源视频翻译工具，支持自动语音识别、字幕翻译、AI 配音和视频合成，集成了多种 ASR、翻译和 TTS 引擎，适合跨语言视频制作和本地化。

MOSS TTS 1.5是一款具备语音克隆功能的新款文本转语音模型，可通过Hugging Face Space使用。由于其开放许可协议，被认为优于Fish Audio S2 Pro。

NVIDIA 在 Hugging Face 上发布了 Kokoro TTS 模型的优化 ONNX 版本。这款拥有 8200 万参数的模型轻量、快速，且可用于商业用途。

pibot 现已完全本地化，采用 Parakeet 进行语音转文字（STT），Qwen3-tts 进行文字转语音（TTS），并通过 llama.cpp 使用 Qwen 3.6 作为本地多模态大语言模型，推理引擎基于 Rust/mlx-c，实现了零 Python 依赖。

seshat-tts 是一款开源工具，可通过 OCR 或大语言模型提取文本，并使用 pocket-tts 进行本地合成，实现带语音克隆的实时游戏旁白。语音克隆在 RTX 2070 Super 上约需 10 秒，缓存后可在 CPU 上运行。

一项免费开源的AI技能，可本地生成完整动画并配有旁白的解说视频，使用Claude生成动画代码，Edge TTS生成语音，ffmpeg进行渲染——无需订阅或API密钥。

MOSS-TTS v1.5是一个更新的开源文本转语音模型，具有改进的多语言合成（支持31种语言）、更稳定的零样本语音克隆以及显式的内联停顿控制。

一个用户创建的用于比较本地TTS工具的基准测试，包含Windows和Mac的结果，Linux测试待完成。包含HTML结果页面和GitHub仓库。

Cartesia推出Sonic 3.5，这是一款支持42种语言的全新TTS模型，在Artificial Analysis Speech Arena排行榜上位居榜首。

Supertonic 3是一个99M参数的开源TTS模型，完全在设备上运行，在树莓派上击败了ElevenLabs，在笔记本电脑CPU上的性能是实时的167倍。

StepAudio 2.5 是一个统一的音频-语言模型，通过利用针对任务定制的基于人类反馈的强化学习来优化共享表示，在自动语音识别（ASR）、文本转语音（TTS）和实时口语交互方面取得了最先进的结果。

阶跃星辰推出Step Plan订阅服务，月费6.99美元，整合了LLM、TTS、ASR、图像生成等多种AI模型，支持OpenAI SDK直连，可用于语音复刻、会议转写、AI播客生成等场景。

一位用户在vast.ai上对21款消费级GPU进行了基准测试，运行小型TTS模型（OmniVoice），显存峰值5GB，比较了相对于实时速度和RTX 3090的性能。

Audiblez 是一个开源工具，能将 EPUB 电子书快速转换为高质量的 M4B 有声书，使用 Kokoro-82M 语音模型，支持多种语言和图形界面，通过 pip 一键安装。

Hermes Web UI v0.5.25 发布，新增群聊房间重置/克隆、状态目录可配置、MiMo TTS（支持普通话、台湾话、粤语、英语），并改进了 Provider 模型列表代理等。

OpenMOSS 是 MOSS-TTS 的独立 C++/GGML 移植版本，提供了一个自包含的二进制文件，用于文本转语音和语音克隆，基于 Qwen3-8B 骨干网络和 32 个 RVQ 音频码本。它包含用于一次性合成的 CLI 和用于重复生成的 HTTP 服务器。

Supertone released Supertonic 3, an open-source TTS model with 99M parameters that runs faster on CPU than a 2B model on A100, supporting 31 languages and ONNX Runtime for fully local inference.

Supertonic 是一款新的开源TTS引擎，通过ONNX在设备上运行，支持31种语言，在速度上超越ElevenLabs，即使在无GPU的树莓派上也能运行。

Violin是一个开源端到端视频翻译+视频问答工具，整合ASR、LLM翻译和TTS，支持风格调整和内容再创作，可针对视频内容问答。

在为服务型企业运行语音AI代理6个月后，作者揭示了现实世界中的延迟是双峰的（中位数约800ms，p95约2.4s），而p95决定了用户的感知。诸如VAD误触发、长提示词下函数调用退化、以及TTS质量等问题比LLM的选择更重要，而多语言支持则增加了显著的成本。