Google推出Gemini 2.5 Flash与Pro文本转语音预览模型，全面升级5月旧版。新模型支持24种语言的多角色对话，具备“情绪级”表达和自适应节奏功能，用户可一键切换“欢快乐观”或“阴郁严肃”等音色。开发者现可在Google AI Studio与Playground免费测试，预计2025年第一季度投入生产，适用于有声书、游戏NPC及本地化课程等场景。
Pebble创始人推出AI智能戒指Index01，售价75美元。用户按压戒指按钮即可快速记录备忘，无需依赖始终在线的AI设备。戒指通过手机上的开源语音转文本模型实现AI功能。
微软推出轻量级实时文本转语音模型VibeVoice-Realtime-0.5B，支持流式输入与长篇输出，适用于代理应用和实时数据讲述。该模型能在约300毫秒内开始输出语音，配合语言模型生成回答。其框架通过连续语音标记实现下一个标记的扩散。
微软推出实时文本转语音模型VibeVoice-Realtime-0.5B，仅0.5B参数即可实现接近实时的语音生成，最快300毫秒内开始发声，支持中英文实时转录与语音生成，中文表现略逊于英文，但整体流畅度和还原度高，音质自然。
先进的文本转语音模型，提供高质量的语音合成服务。
尼泊尔首个AI内容创作平台，支持TTS、STT、文本转图像，有500+语音、100+语言。
实时文本转语音，带有笑声和情感。
BlabbyAI Chrome扩展，快速准确将语音转换为文本，支持任意网站语音输入。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
Baidu
128
$6
$24
256
$8
$240
52
Bytedance
$1.2
$3.6
4
$2
$3.9
$15.2
64
openbmb
VoxCPM是一款创新的免分词器端到端文本转语音（TTS）系统，通过在连续空间中对语音进行建模，克服了离散分词的局限性。它具备上下文感知语音生成和逼真零样本语音克隆两大核心能力，能够根据文本内容自动调整韵律和风格，并仅需一个简短的参考音频即可克隆说话者的音色、口音和情感。
onnx-community
Supertonic-TTS-ONNX是一个基于ONNX格式的文本到语音转换模型，能够将英文文本转换为自然流畅的语音。该模型基于Supertone/supertonic基础模型开发，专为Transformers.js库优化，支持在浏览器环境中高效运行。
pnnbao-ump
VieNeu-TTS-1000h是一款先进的越南语端侧文本转语音模型，基于约1000小时高质量越南语语音数据训练，具备即时语音克隆功能，支持越南语与英语的无缝切换，能在CPU或GPU上实时合成24kHz波形。
nari-labs
Dia2是由Nari Labs开发的流式对话文本转语音(TTS)模型，支持实时语音生成，无需完整文本即可开始生成音频，能够根据对话上下文进行调整，实现自然流畅的对话体验。
Dia2是由Nari Labs开发的流式对话文本转语音(TTS)模型，支持实时语音生成，无需完整文本即可开始生成音频，专为自然对话场景设计。
abr-ai
这是一个由Applied Brain Research（ABR）开发的基于状态空间模型（SSM）的英文自动语音识别模型，拥有约1900万参数，能够高效准确地将英文语音转录为文本。该模型在多个基准数据集上表现出色，平均单词错误率仅为10.61%，支持实时语音识别并可在低成本硬件上运行。
IbrahimSalah
这是一个基于300小时纯净阿拉伯语音频数据微调的文本转语音模型，专门为带完整元音符号的现代标准阿拉伯语提供高质量语音合成，支持声音克隆和长文本处理功能。
Marvis-AI
这是一个基于MLX框架优化的文本转语音模型，从原始模型Marvis-AI/marvis-tts-100m-v0.2转换而来，采用6位量化技术，专门为Apple Silicon硬件优化，提供高效的语音合成能力。
dinhthuan
NeuTTS-Air越南语文本转语音模型是基于260多万条越南语音频样本，从NeuTTS-Air基础模型微调而来的高质量越南语语音合成模型。该模型能够实现自然流畅的越南语语音合成，支持语音克隆功能，并针对生产环境进行了优化。
VieNeu-TTS是首个可在个人设备上运行的越南语文本转语音模型，具备即时语音克隆能力。基于NeuTTS Air微调，能够生成自然逼真的越南语语音，在CPU上具备实时性能。
mradermacher
SoulX-Podcast-1.7B 是一个基于 Soul-AILab/SoulX-Podcast-1.7B 的静态量化版本，专门用于文本转语音任务。该模型支持英语和中文，提供了多种量化版本以适应不同的硬件和性能需求。
TheStageAI
TheWhisper-Large-V3-Turbo 是 OpenAI Whisper Large V3 模型的高性能微调版本，由 TheStage AI 针对多平台实时、低延迟和低功耗语音转文本推理进行优化。支持流式转录、单词时间戳和可扩展性能，适用于实时字幕、会议和设备端语音界面等场景。
TheWhisper-Large-V3是OpenAI Whisper Large V3模型的高性能微调版本，由TheStage AI针对多平台（NVIDIA GPU和Apple Silicon）的实时、低延迟和低功耗语音转文本推理进行了优化。
kenpath
Svara-TTS是一款面向印度语言的开源多语言文本转语音模型，支持19种语言（18种印度语言+印度英语）。该模型基于Orpheus风格的离散音频令牌方法构建，旨在普通GPU/CPU上实现清晰、富有表现力且低延迟的语音合成。
nineninesix
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，采用两阶段管道结合大型语言模型和高效音频编解码器，实现卓越的速度和音频质量。该模型支持西班牙语，具有4亿参数，采样率为22kHz。
KaniTTS是一款专为实时对话式人工智能应用优化的高速、高保真阿拉伯语文本转语音模型。它采用两阶段流水线架构，结合大语言模型与高效音频编解码器，实现卓越的速度和音频质量，能够满足对话式AI、无障碍辅助、研究等多领域的语音合成需求。
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，通过独特的两阶段架构结合大语言模型与高效音频编解码器，实现低延迟与高质量语音合成，实时因子低至0.2，比实时速度快5倍。
CypressYang
SongBloom是一款专注于文本转音频的生成模型，能够将文本转化为生动的音频内容，为用户带来全新的语音合成体验。
KaniTTS Pretrain v0.3是一款高速、高保真的文本转语音模型，专为实时对话式人工智能应用优化，采用两阶段管道架构，结合大语言模型和高效音频编解码器，实现极低延迟和高品质语音合成。
kalilouisangare
这是一个基于 OpenAI Whisper Small 模型微调的班巴拉语语音识别模型，在 24738 个班巴拉语音频样本上训练，能够将班巴拉语语音准确转录为文本，字符错误率低至 21.69%。
ElevenLabs官方MCP服务器，提供文本转语音和音频处理API交互能力
MiniMax Model Context Protocol (MCP) 是一个官方服务器，支持与强大的文本转语音、视频/图像生成API交互，适用于多种客户端工具如Claude Desktop、Cursor等。
开源短视频自动生成工具，整合文本转语音、自动字幕、背景视频和音乐，从简单文本输入创建专业短视频。
MiniMax官方模型上下文协议（MCP）服务器，支持文本转语音、视频/图像生成等API交互。
这是一个基于Node.js的MCP服务器项目，通过Model Context Protocol实现AI助手与棒読みちゃん语音合成软件的集成，提供文本转语音功能。
ElevenLabs文本转语音MCP服务
MiniMax-MCP是一个多功能服务器项目，提供文本转语音、视频生成和图像生成等API服务，支持开发者集成高级多媒体功能。
Speech MCP是为Goose设计的语音交互扩展，提供实时语音识别、高质量文本转语音、多语言支持和现代化音频可视化界面，支持多角色对话生成和音频转录功能。
Kokoro文本转语音(TTS)MCP服务器，支持生成MP3文件并可选上传至S3存储
Zonos TTS与Claude的MCP集成项目，实现文本转语音功能。
VOICEPEAK文本转语音的MCP服务器，支持语音合成、播放和发音词典管理等功能
一个基于Windows原生语音服务的文本转语音和语音转文本的MCP服务器，无需外部API依赖。
一个基于Rime API的文本转语音MCP服务器，提供系统音频播放功能。
一个基于MCP协议的视频音频文本提取服务器，支持从多平台下载视频并利用Whisper模型进行语音转文字处理
基于OpenAI API的音频转录MCP服务
MiniMax MCP JS是一个基于JavaScript/TypeScript实现的MiniMax MCP协议工具集，提供图像生成、视频生成、文本转语音等功能，支持与MCP兼容客户端交互。
一个基于FishSpeech的文本转语音(TTS)MCP服务器，支持语音参考保存，可与Dive等MCP兼容的LLM集成使用。
Speech MCP 是一个为Goose设计的语音交互扩展，提供实时语音识别、文本转语音和音频可视化功能。
一个基于Chatterbox TTS模型的简化MCP服务器，提供文本转语音生成及自动播放功能，支持实时进度通知和自动模型加载。
一个基于MCP服务器和OpenAI TTS SDK的文本转语音工具，支持本地环境播放。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
