オープンソース。新しい可能性。

GPT-SoVITSは、中国語・日本語・韓国語・広東語・英語に対応したオープンの few-shot 音声変換・TTSシステム。5秒のサンプルでゼロショット、約1分でフューショット学習が可能。WebUIツール付き。

YuE2は、記号的な計画と音声合成を統合したオープンな音楽生成モデルです。歌詞とスタイルプロンプトから編集可能なメロディ・コード譜を生成し、その後ボーカルと伴奏を含む完全な楽曲としてレンダリングします。ゼロショットカバーやエージェントによる譜面編集にも対応しています。

VideoLingoは、Netflix品質のシングルライン字幕を生成し、シームレスな音声ダビングに対応した、AI駆動の動画翻訳・ローカリゼーション・ダビング統合ツールです。

VoxCPM2は、トークナイザー不要のテキスト読み上げシステムで、2Bパラメータの拡散自己回帰モデルを持ち、30言語をサポートし、テキスト説明からの音声デザイン、制御可能な音声クローン、48kHz音声出力を提供します。