Sherpa-ncnn

Stability AI 推出的 Stable Audio 是一种基于稳定扩散技术的音频生成模型，它能够根据文本提示高效生成高品质的音频内容。

VITS 是一种高表现力语音合成模型，结合了变分推理、标准化流和对抗训练。

Step-Audio是阶跃星辰团队推出的首个产品级的开源语音交互模型，能根据不同的场景需求生成情绪、方言、语种、歌声和个性化风格的表达，能和用户自然地进行高质量对话。

Bark 是由 Suno 推出的开源的文本转音频模型。 它的目标是通过自然语言处理技术，将输入的文本转换为高度逼真的音频，包括多语种自然语言、音乐、背景噪音和简单的声音效果。

Audiocraft 是一个使用深度学习进行音频处理和生成的库，集成了最先进的 EnCodec 音频压缩器/分词器，以及 AudioGen 和 MusicGen 两种 AI 生成模型。

FunASR 是由阿里巴巴达摩院开源的语音识别工具包，包括在大规模工业语料库上训练的模型，提供语音识别、语音活动检测、标点恢复等多种功能。