tts

Violin是一个开源视频翻译工具，集成了语音识别、大语言模型翻译和语音合成功能，支持30多种语言，提供CLI、Web应用和Claude Code三种使用方式。

Violin 是一款开源视频翻译技能，它将语音识别、LLM 翻译和语音合成整合成一个无缝流水线，支持多语言 ASR、个性化翻译以及与视频内容的交互式聊天。

DramaBox是一个基于LTX-2.3微调的开源权重TTS模型，利用舞台提示（stage directions）生成富有表现力的语音，并支持通过10秒样本进行可选的语音克隆。

Supertonic is a lightning-fast, on-device TTS model with 99M parameters, supporting 31 languages. It runs locally with no API costs, outperforms cloud TTS on accuracy for numbers, phone numbers, and technical terms, and can be installed via Python, Node.js, Rust, Go, and more.

OmniVoice Studio is an open-source desktop app that enables local voice cloning and cinematic video dubbing across 646 languages, fully offline with no API keys, positioning itself as a privacy-focused alternative to ElevenLabs.

Dramabox 是 Resemble AI 开发的一个富有表现力的文本转语音模型，通过提示驱动控制来实现说话人身份、情感和表达方式，并可选地使用 10 秒参考音频进行声音克隆。该模型基于 LTX-2.3 音频扩散变换器构建，已在 Hugging Face 上开源。

VoxCPM2 是一个开源的、无分词器的扩散自回归文本转语音模型，支持30种语言，拥有20亿参数，48kHz音频输出，并具备从自然语言描述进行语音设计、可控语音克隆以及实时流式处理等功能。

阿里巴巴的Qwen团队发布了Qwen3-TTS-12Hz-1.7B-CustomVoice，这是一个强大的文本转语音模型，支持10种语言，具有低延迟流式传输、基于指令的语音控制和强大的上下文理解能力。

教程展示了一种全新的视频制作方式：Claude 无需文生视频模型，直接用原生 JavaScript 逐帧生成动态图形、音效与解说视频，并配合免费的 86 种风格提示词数据库、Gemini TTS 旁白和逐词时间戳字幕，产出看起来完全不像 AI 生成的成品。

LiveKit Agents 是一个用于构建实时、多模态语音智能体的开源框架，这些智能体能够看、听和理解，并具备灵活的 STT/LLM/TTS 集成、任务调度、电话支持、MCP 兼容性以及内置测试框架。

Kyutai 发布了 Pocket TTS，这是一个轻量级的文本转语音模型，可高效在 CPU 上运行，拥有 1 亿参数、低延迟和语音克隆功能，支持多种语言。

Voicebox 是一个开源的、本地优先的 AI 语音工作室，支持语音克隆、语音生成、听写和 AI 代理集成，提供隐私保护和多引擎 TTS 支持。

Kokoro-82M 是一款高效、高质量的文本转语音模型，在 Replicate 上可用，支持多种语言和声音，推理成本低。

OpenAI 全新 Codex 桌面应用把代码生成、浏览器自动化与持久化 Agent 集成进单一 IDE；Anthropic 为 Claude Code 新增并行会话功能；Google 推出桌面应用、Chrome 斜杠命令及一款高表现力 TTS 模型。

Anthropic、阿里巴巴、谷歌等巨头集中发布重磅模型——Claude Opus 4.7、Qwen 3.6、情感丰富的Google TTS，还有仅1.58-bit的手机LLM与实时3D世界生成器，同时开放视频、VR及角色创作工具。