VieNeu-TTSは、個人デバイス上で動作可能な最初のベトナム語のテキスト音声変換モデルで、即時音声クローニング機能を備えています。NeuTTS Airをベースに微調整され、自然でリアルなベトナム語音声を生成でき、CPU上でリアルタイム性能を備えています。

音声処理Safetensorsその他

SongBloomは、テキストを音声に変換することに特化した生成モデルで、テキストを生き生きとした音声コンテンツに変換し、ユーザーに新しい音声合成体験を提供します。

Ming-flash-omni プレビュー版は、Ling-Flash-2.0の疎なエキスパート混合（MoE）アーキテクチャに基づいて構築されたマルチモーダル大規模モデルで、総パラメータは100Bに達し、各トークンでは6Bのパラメータのみがアクティブ化されます。このモデルはMing-Omniをベースに全面的にアップグレードされ、マルチモーダル理解と生成能力において著しい向上が見られ、特に音声認識、画像生成、およびセグメンテーション編集において優れた性能を発揮します。

マルチモーダルDiffusers英語

Qwen/Qwen3-1.7B-Baseをベースに継続事前学習を行った多言語音声変換とテキスト読み上げモデルで、多言語、複数話者の音声生成と変換機能をサポートします。

マルチモーダルTransformers

KaniTTSは高速で高忠実度のテキスト音声変換モデルで、リアルタイム対話型人工知能アプリケーション向けに最適化されています。このモデルは2段階の処理フローを採用し、大規模言語モデルと効率的なオーディオコーデックを組み合わせています。Nvidia RTX 5080で15秒の音声を生成する際の遅延は約1秒だけで、MOS自然度評価は4.3/5で、英語、中国語、日本語などの多言語をサポートしています。

音声処理Transformers多言語

NeuTTS Airは、即時音声クローニング機能を備えた世界初の超リアルなデバイス端テキスト音声変換モデルです。0.5Bパラメータの大規模言語モデルの骨格をベースに構築され、ローカルデバイス上で自然な音声生成、リアルタイム性能、話者クローニング機能を実現します。

音声処理Gguf

HuMoは統一的で人を中心としたビデオ生成フレームワークで、テキスト、画像、音声などのマルチモーダル入力に基づいて、高品質、細粒度で制御可能な人間のビデオを生成できます。強力なテキストプロンプト追従、一貫した主体保持、同期した音声駆動型モーションをサポートします。

マルチモーダルGguf

HuMoは人を中心としたビデオ生成フレームワークで、テキスト、画像、音声などのマルチモーダル入力を利用して、高品質、細粒度で制御可能な人間のビデオを生成することができます。テキストプロンプトの追従、主体の保持、音声駆動運動の同期をサポートします。

マルチモーダルGguf

vibevoice-ggufは、Microsoft VibeVoice-1.5Bモデルに基づくテキストを音声に変換するシステムで、gguf-connectorを通じて動作し、テキストを自然な音声に変換でき、音声クローニングと複数話者の音声生成をサポートします。

音声処理Gguf

MiDashengLM-7B-0804は小米が発表した7Bパラメータのマルチモーダル音声言語モデルで、音声理解とテキスト生成タスクをサポートし、一般的なシナリオの推論と微調整に適しています。

マルチモーダルSafetensors多言語

Wan2.2-S2V-14Bは、音声駆動の映画レベルのビデオ生成に特化したハイブリッドエキスパート（MoE）モデルです。入力された音声、参照画像、およびテキストプロンプトに基づいて高品質のビデオコンテンツを生成でき、480Pと720Pの解像度をサポートし、複雑な動き生成と映画レベルの美学効果を備えています。

マルチモーダルDiffusersスペイン語

MGM-Omni-TTS-2BはMGM-Omni全機能チャットボットの音声生成コンポーネントで、テキストから音声への変換に特化しています。中英語のゼロサンプル音声クローニングをサポートし、10分以上の流暢で自然な音声を生成でき、効率的なストリーミングオーディオ生成を実現します。

マルチモーダルTransformers多言語

MGM-Omni-7Bは全モーダルチャットボットで、テキスト、画像、ビデオ、音声入力を処理し、テキストと音声の応答を生成することができます。長音声の理解と生成能力を備え、中英語のゼロサンプル音声クローンもサポートしています。

マルチモーダルTransformers多言語

これはVoxtral-Mini-3B-2507の特定のバージョンで、音声認識機能を削除し、純粋な言語モデル機能のみを残しています。このモデルはまだリリースされていないMinistral-3B-Instructモデルに似ており、テキスト生成タスクに特化しています。

自然言語処理Transformers

HiggsのGGUF量子化バージョンは、bosonaiベースモデルに基づくテキストを音声に合成するモデルで、複数の言語の音声生成をサポートし、効率的な推論性能と簡便なローカルデプロイ能力を備えています。

音声処理Gguf多言語

Gemma 3nはGoogleが開発した軽量で最先端のマルチモーダルオープンモデルで、Gemini技術をベースに構築されています。低リソースデバイス向けに設計され、テキスト、画像、ビデオ、音声の入力をサポートし、テキスト出力を生成します。選択的パラメータ活性化技術を採用し、4Bパラメータ規模で効率的に動作します。

マルチモーダルTransformers英語

これはノルウェー語に特化して最適化された高品質のテキストを音声に変換するモデルで、Chatterboxアーキテクチャに基づいて開発され、ノルウェー語の2つの主要な変種（書面ノルウェー語と新ノルウェー語）と複数の方言をサポートし、自然で流れる、感情豊かな表現力のある音声を生成することができます。

音声処理Safetensorsその他

Qwen2.5-Omni-3B-GGUFはエンドツーエンドのマルチモーダルモデルで、テキスト、画像、音声、ビデオなどの複数のモーダル情報を感知し、同時にストリーミング方式でテキストと自然な音声応答を生成することができます。

マルチモーダルTransformers英語

京都台テキスト音声変換（TTS）モデルは、ストリーミングテキスト音声変換に使用されるモデルで、リアルタイム音声生成と多言語処理をサポートしています。

これはFacebook MMSプロジェクトに基づく超軽量級ヒンディー語音声合成モデルで、女性の声に特化して最適化されています。このモデルはヒンディー語のテキストを自然で流暢な女性の音声に変換することができ、軽量級で効率的に動作する特徴を持ち、ランダム時間予測器をサポートして異なるリズムの音声を生成します。

音声処理Transformersその他