audio

🤗 Transformers：面向文本、视觉、音频及多模态模型的尖端机器学习模型定义框架，支持推理与训练全流程。

JavaScript三维图形库

VoiceStudio 是 ElevenLabs 的开源、完全本地化替代方案 — 提供 646 种语言的语音克隆、语音设计、视频配音、听写、转录和有声读物创建。

🤖 开源免费的OpenAI、Claude及其他AI平台的替代方案。支持自主托管且本地优先，可作为OpenAI的即插即用替代方案运行于消费级硬件，无需GPU。兼容gguf、transformers、diffusers等多种模型架构。功能包括：文本生成、音频处理、视频制作、图像生成、语音克隆、分布式点对点推理。

VoxCPM：面向上下文感知语音生成与逼真音色克隆的无分词器文本转语音系统

Video.js v10 - 适用于 HTML 和 React 的开源媒体播放器框架。

用不超过10分钟的语音数据轻松训练优质语音克隆模型！

面向直播与流媒体的跨平台可定制机器学习解决方案

🎥 命令行媒体播放器

SRS是一款简单高效的实时媒体服务器，支持RTMP、WebRTC、HLS、HTTP-FLV、HTTP-TS、SRT、MPEG-DASH和GB28181协议。

最先进的免费开源浏览器指纹识别库

🎧☁️您的个人流媒体服务平台

screenpipe将您的电脑转变为个人AI助手，它能知晓您的一切操作。记录、搜索、自动化，全部本地运行，完全私密，尽在您掌控。

从电子书生成有声书，支持语音克隆及1107种以上语言！

BlackHole是一款现代macOS音频回环驱动程序，允许应用程序以零额外延迟将音频传递给其他应用程序。

音频编辑器

端到端语音识别基础工具包与开源SOTA预训练模型，支持语音识别、语音活动检测、文本后处理等功能。

基于WebAssembly的浏览器端FFmpeg

真正可用的音乐流媒体解决方案

纯Go语言实现的WebRTC API接口

视频技术的实践介绍：图像、视频、编解码器（av1、vp9、h265）等（ffmpeg 编码）。翻译: 🇺🇸 🇨🇳 🇯🇵 🇮🇹 🇰🇷 🇷🇺 🇧🇷 🇪🇸

自托管有声书与播客服务器

[CVPR 2023] SadTalker：学习真实感3D运动系数以实现风格化音频驱动的单图说话人脸动画

为创作者和开发者打造的Gradio WebUI，具备核心TTS功能（Edge-TTS、kokoro）和零样本声音克隆（E2与F5-TTS、CosyVoice），并集成Whisper音频处理、YouTube下载、Demucs人声分离和多语言翻译。