Voz a texto y texto a voz de código abierto, probado

¡1 min de datos de voz también se puede usar para entrenar un buen modelo TTS! (clonación de voz con pocas muestras)

Lo que encontró la prueba: GPT-SoVITS API server starts and responds to TTS inference requests: HTTP 200 with a valid synthesized WAV audio file returned for English text-to-speech using a default reference audio on CPU. 23 minutos.

WhisperX: Reconocimiento automático del habla con marcas de tiempo a nivel de palabra (y diarización)

Lo que encontró la prueba: WhisperX 3.8.7rc1 is installed in a Python 3.12 venv at /tmp/whisperx-venv with CPU-only PyTorch. The test suite passes (12/12 tests) and the CLI prints help and version correctly. All imports resolve without errors. 3 minutos.

Leon es tu asistente personal de código abierto.

Lo que encontró la prueba: Leon server installs, builds, serves HTTP on port 5366, and passes all 371 unit tests with Node.js v24 in CI mode (no local AI or voice models). 10 minutos.

Conversión de voz a texto, conversión de texto a voz, diarización de hablantes, mejora de voz, separación de fuentes y VAD usando Kaldi de próxima generación...

Lo que encontró la prueba: The sherpa-onnx 1.13.8 C++ source built successfully, all 29 CTest tests passed, the published Python package installed, and both Python and native CLI paths performed real Whisper ASR and generated decodable Piper TTS audio. 7 minutos.

Una caja de herramientas de estilos de película hechos con código para Claude Code: 66 listos para usar, y los tuyos propios. Cada estilo es un prompt de...

Lo que encontró la prueba: With Node 20.20.2, the core, voice, and music installs exit 0, and the real pipeline produced a 6.000-second 1920x1080 24 fps film with 144 H.264 frames and stereo AAC audio that fully decoded with exit 0. 7 minutos.

Aplicación de dictado de voz a texto con modelos locales (Nvidia Parakeet/Whisper) y en la nube (BYOK). Prioriza la privacidad y está disponible...

Lo que encontró la prueba: npm install succeeds, all 944 tests pass with Node 24 and the custom loader bootstraps, test script runs all test suites without failures. 71 minutos.

Una biblioteca robusta, eficiente y de baja latencia para convertir voz en texto, con detección avanzada de actividad de voz, activación por palabra de...

Lo que encontró la prueba: In a fresh venv with RealtimeSTT[server,faster-whisper] installed, all 591 unit tests pass, the Whisper golden test transcribes the fixture correctly, and the packaged production server answered 200 on /health, /v1/ready and /v1/capabilities and returned the correct transcript on POST /transcribe-pcm16. 9 minutos.

Módulo de reconocimiento de voz para Python, compatible con varios motores y APIs, en línea y sin conexión.

Lo que encontró la prueba: SpeechRecognition 3.17.0 installed in a venv; 41 of 56 tests pass with 15 expected skips; Google Speech API recognition returns transcriptions from local audio files; CLI sprc binary prints help. 4 minutos.

Una biblioteca de texto a voz (TTS), voz a texto (STT) y voz a voz (STS) construida sobre el framework MLX de Apple, que ofrece análisis de voz eficiente en...

Lo que encontró la prueba: A fresh editable install exited 0, the API server returned HTTP 200 on / and /v1/models, a real Kokoro request produced a decodable 2.8-second 24 kHz mono WAV, and the combined core and TTS test suites passed 1506 tests with 45 skipped. 39 minutos.

Reconocimiento de voz para tu sitio

Lo que encontró la prueba: All 165 tests pass, build produces ESM/CJS/IIFE bundles in dist/, and the library is usable via npm import or script tag. 11 minutos.

Herramienta de transcripción de video impulsada por FunASR, generación de subtítulos y recorte asistida por LLM con una interfaz de usuario local de Gradio.

Lo que encontró la prueba: FunClip v2.2.1 is fully installed in a Python 3.12 venv with all dependencies, all 90 tests pass, the CLI recognition+clipping pipeline processes a real video with Paraformer-Large ASR and produces valid clipped MP4 output, and the Gradio web interface launches and serves HTTP 200 on localhost. 49 minutos.

Genera audiolibros a partir de EPUBs, PDFs y texto con subtítulos sincronizados.

Lo que encontró la prueba: All 1592 tests pass, Flask web UI serves HTTP 200 on GET /, and the real Kokoro-82M TTS engine with af_heart voice generates non-silent, ffmpeg-decodable WAV audio from text input. 22 minutos.

Plataforma de IA de voz de código abierto. Alternativa self-hosted a Vapi y Retell. En local, BYOK en voz a voz o LLM/STT/TTS, con un constructor visual de...

Lo que encontró la prueba: Backend Python venv installed with all core deps, PostgreSQL 16 running on port 5432, Redis 7.4.1 running on port 6379, Node.js v22 deployed, pipecat submodule installed editable, FastAPI app imports with speechmatics as the only blocking provider, 493/514 collectable tests pass against real services. 57 minutos.

Localización y doblaje de video con IA de código abierto para YouTube/Bilibili: reconocimiento de voz, traducción de subtítulos, clonación de voz, mezcla y...

Lo que encontró la prueba: Backend API is fully operational: uvicorn serves the FastAPI app on port 9998, all 421 backend tests pass, and every major endpoint (health, login, tasks, settings, cookies) responds correctly with expected status codes. 20 minutos.

Dictado de voz local para mac, windows y linux

Lo que encontró la prueba: Full Rust project compiles on Ubuntu 24.04 x86_64 with no root, all 397 unit tests pass (0 failures), binary runs and responds to --help and --version commands. 28 minutos.

La biblioteca python para comunicación en tiempo real.

Lo que encontró la prueba: The fastrtc library installs in a venv, all 29 tests pass, the Kokoro TTS model generates audio, and a demo app starts under uvicorn and serves its OpenAPI schema. 7 minutos.

Un modelo TTS multilingüe de 100M parámetros para inferencia en CPU en tiempo real, clonación de voz y generación estéreo de 48 kHz.

Lo que encontró la prueba: Dependencies installed in venv; PyTorch CPU inference via infer.py produces valid WAV audio; FastAPI web server responds to health checks and generates 48kHz stereo speech via POST /api/generate with demo presets. 16 minutos.

Una implementación casi en tiempo real de OpenAI's Whisper.

Lo que encontró la prueba: WhisperLive is installed in a Python 3.12 venv with all dependencies, 318 of 332 unit tests pass (14 metrics tests skipped as they require a dedicated metrics server port), and the server launches with the REST API health endpoint responding HTTP 200 on port 8000 and the WebSocket server listening on port 9090. 11 minutos.

Converts text to speech in realtime

Lo que encontró la prueba: realtimetts 0.8.10 installed and built wheel+sdist; 369 of 380 tests pass covering BaseEngine, alignment, language router, sentence splitting, streaming, stream player, release guard (except ssh-keygen), and Qwen studio; Qwen server starts and fails only on CUDA GPU requirement; pyttsx3 SystemEngine requires espeak. 13 minutos.

API de servicio web de OpenAI Whisper ASR

Lo que encontró la prueba: The Whisper ASR Box webservice is installed and running: the uvicorn server serves Swagger UI at /docs, returns JSON language detection at /detect-language, and returns transcription text at /asr all with HTTP 200. 14 minutos.

¡Una sola interfaz web de Gradio + React con extensiones para ACE-Step, OmniVoice, Kimi Audio, Piper TTS, GPT-SoVITS, CosyVoice, XTTSv2, DIA, Kokoro...

Lo que encontró la prueba: TTS-WebUI server starts and responds HTTP 200 on both Gradio proxy (7767) and main (7770) interfaces; 102 of 105 tests pass (3 skipped require real API credentials); all core extensions import cleanly; CLI troubleshoot passes. 6 minutos.

[AutoArk] GPA (General Purpose Audio) puede hacer ASR, TTS y conversión de voz con un solo modelo diminuto.

Lo que encontró la prueba: GPA v1.5 native PyTorch ASR, TTS, and training all run on CPU with weights downloaded from HuggingFace. ASR transcribes Chinese and English correctly; TTS produces valid 16 kHz mono audio from text plus a reference clip; training executes a forward/backward step. 10 minutos.

API de transcripción de reuniones de código abierto para Google Meet, Microsoft Teams y Zoom. Bots que se unen automáticamente, transcripciones WebSocket en...

Lo que encontró la prueba: 11 Python service test suites and the JS terminal client test suite run successfully in a container with Node 22.13 and Python 3.12.3; the compose/Docker deployment path cannot execute without Docker engine being available. 17 minutos.

Biblioteca de Python y herramienta CLI para interactuar con el API de texto a voz de Google Translate

Lo que encontró la prueba: gTTS 2.5.4 installed, all 108 pytest tests pass, and the CLI generates valid MP3 audio via the Google Translate TTS API. 1 minuto.

Síntesis de Texto a Voz sin conexión para python

Lo que encontró la prueba: pyttsx3 v2.99 with eSpeak-NG v1.53.0 backend on Python 3.12.3 (Linux): import, speech synthesis, WAV file saving, property get/set, event loop, and all 9 applicable tests pass. 4 minutos.

inferencia de voz a texto con ggml para 16+ familias de modelos

Lo que encontró la prueba: transcribe.cpp builds from source with cmake and GCC 13, produces a working transcribe-cli binary that understands all CLI options and reads 16 kHz mono WAV files, and passes all 39 unit/smoke tests on CPU without a model file. 4 minutos.

Estudio local de audio y música con IA de código abierto para macOS y Windows. TTS, clonación de voz, canciones con letras y partituras multipista: 100% sin...

Lo que encontró la prueba: 安装、前端构建、Go 核心测试（3 包通过）与 Playwright 浏览器测试（74/74 通过）全部成功，浏览器预览应用服务返回 HTTP 200，独立 CLI（engine v0.7.4）与 audiocpp CPU 引擎（0.7.4）均能启动运行；仅原生桌面 App 因仓库限 macOS/Windows 未在此 Linux 容器构建。. 10 minutos.

GPT-SoVITS Motor de inferencia ONNX y Convertidor de modelos

Lo que encontró la prueba: GENIE TTS package installs and builds in a Python 3.12 venv; all 4 language G2P modules produce correct phone IDs; FastAPI server serves all endpoints (/stop, /clear_reference_audio_cache, /load_character, /set_reference_audio, /tts, /unload_character) returning HTTP 200; full TTS inference with predefined character... 9 minutos.

Una extensión de navegador increíble que lee en voz alta el contenido de una página web con un solo clic

Lo que encontró la prueba: All 159 tests pass consistently (0 fail, 0 skipped, 0 todo) across repetitive concurrent execution; the offscreen-manager fixture timeout was relaxed to eliminate a timing-dependent failure. 3 minutos.

Voz a texto con pulsar para hablar para compositores de Wayland

Lo que encontró la prueba: Voxtype v1.1.0 builds and passes its full test suite (1159 passed, 0 failed) on Ubuntu 24.04 amd64 with Rust 1.99.0, after manually providing alsa and clang/LLVM development libraries extracted from apt packages without root privileges. The CLI binary responds correctly to --version and --help. 27 minutos.

Tema → video narrado en 4K para coding agents. v5.3.0: TTS local (edge free + azure, sin motor externo), Asset Engine basado en manifiesto, composición de...

Lo que encontró la prueba: All 255 Python tests pass, TypeScript type-checks pass, and Remotion 4.0.438 renders a 2-frame smoke test to a valid H.264 MP4 verified with ffmpeg decode check; the only source change needed was bumping zod from ^3.23.0 to ^4.3.6 in package.json. 7 minutos.

Soprano: síntesis de voz instantánea y ultrarrealista

Lo que encontró la prueba: Soprano TTS 0.2.0 is installed from source in a venv at /tmp/venv. The CLI produces valid 32 kHz WAV audio on CPU. The FastAPI server serves the /v1/audio/speech endpoint (HTTP 200, valid WAV). The Gradio WebUI module loads successfully. Streaming playback requires the system PortAudio library (not available in this... 15 minutos.

Aplicación de dictado con IA: código abierto y local-first. Escribe 3 veces más rápido, sin necesidad de teclado. Impulsada por modelos de código abierto...

Lo que encontró la prueba: Installation completed: Node 24.10.0, pnpm 10.34.5, all 1566 packages installed, whisper native addon compiled (.node binary at packages/whisper-wrapper/native/linux-x64/whisper.node), electron 44.3.0 available, workspace builds pass, and the test suite runs (149/150 test files pass, 1505/1508 tests pass, 3... 23 minutos.

Un modelo de Text-to-Speech basado en Flow Matching con control de estilo impulsado por emojis

Lo que encontró la prueba: Irodori-TTS installs and all core modules import cleanly on CPU. The TextToLatentRFDiT model constructs and runs forward passes. The Gradio web UI builds and serves HTTP 200. Inference requires downloading a HuggingFace checkpoint. 8 minutos.

Nodos personalizados que extienden las capacidades de Comfyui

Lo que encontró la prueba: The repository installs as a ComfyUI custom_nodes extension: pip dependencies install cleanly, ComfyUI starts on CPU, the server answers HTTP 200, and all 8 AlekPet custom node groups load successfully with zero startup errors. 34 minutos.

Aplicación whisper multi-backend. Rápidísima. Optimizada para Mac-arm. Instalación sencilla. Ingresa un archivo local o una url y este servicio lo transcribirá...

Lo que encontró la prueba: transcribe-anything 4.1.2 installed in a uv-managed Python 3.11 venv with Python 3.10 available for iso-envs; 265/278 tests pass, CLI help works, all backends ready for first-use env creation. 21 minutos.

Traducción sincronizada para videos. Doblaje de video.

Lo que encontró la prueba: SoniTranslate web app built with Gradio 4.19.2 launches via python app_rvc.py --cpu_mode and serves a fully constructed UI at http://127.0.0.1:7860 returning HTTP 200 on / and /config endpoints. 22 minutos.

Un modelo multilingüe para síntesis de diálogos de larga duración con múltiples hablantes, control flexible de hablantes y clonación de voz zero-shot

Lo que encontró la prueba: MOSS-TTSD v1.0 model loads from HuggingFace, processor encodes conversations, forward pass returns logits, and generate() produces audio codes and text tokens on CPU with bfloat16 precision. 25 minutos.

Modelo TTS capaz de transmitir audio conversacional en tiempo real.

Lo que encontró la prueba: Dia2-1B model loads and generates valid 24 kHz mono WAV audio on CPU (bfloat16) via both the Python API and CLI, producing non-silent output with correct speaker-tagged transcription and word timestamps. 12 minutos.

Whisper-Flow es un framework diseñado para permitir la transcripción en tiempo real de contenido de audio usando el modelo Whisper de OpenAI. En lugar de...

Lo que encontró la prueba: Whisper Flow V1.1.0 server launches on port 8181, serves /health (200) and /ready (200) endpoints showing model loaded and 0 active sessions, all 29 core tests pass with 97% coverage, and all core modules import correctly. 18 minutos.

Transcripción de audio casi en tiempo real usando self-hosted Whisper y WebSocket en Python/JS

Lo que encontró la prueba: A fresh venv installs cleanly; the VoiceStreamAI server launches on 127.0.0.1:8765 with the token-free silero VAD plus the real faster-whisper-tiny model and streams a real transcription back over WebSocket ('Good morning, everyone!'), while 2 of 3 unittest tests pass and the pyannote VAD test remains blocked by the... 15 minutos.

Evalúa tu sistema de voz a texto con medidas de similitud como la tasa de error de palabras (WER).

Lo que encontró la prueba: The jiwer package is installed and functional: all 74 tests pass, the CLI prints its help, and the Python API computes WER/MER/WIL/WIP/CER correctly including empty-reference edge cases. 1 minuto.

Cliente de la API REST de Vonage para PHP. Soporte de API para SMS, Voice, Text-to-Speech, Numbers, Verify (2FA) y más.

Lo que encontró la prueba: Vonage client-core installs with composer update and its full PHPUnit suite passes 1096/1096 after the Guzzle 8 version-guard fix in src/Client.php, with SMS send verified end-to-end against a local mock HTTP client. 4 minutos.

Videos explicativos y demos de producto creados por tu AI agent. Gratis y de código abierto: una voz local (Kokoro), sincronización de palabras (Whisper) y un...

Lo que encontró la prueba: explainroo v0.1.0 is installed with Node.js 20.20.2, Playwright Chromium headless shell, Kokoro TTS, Whisper ASR, and all npm dependencies. The project initializes, voices, checks, stills, sheets, and renders draft MP4s. The how-dns-works example produces a 68s video with 8 scenes. 29 minutos.

Centro de ejecución de ggml en C++ para modelos multilingües de ASR y TTS: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, etc. más alineación forzada...

Lo que encontró la prueba: CrispASR v0.8.37 builds, runs CLI transcription (Whisper base model), and serves an HTTP API, all tested end-to-end with real audio in this container. 36 minutos.

Claudemy: una alternativa de código abierto a Udemy y Coursera. Dale a Claude un tema, él investiga en la web y construye un curso de lecciones de audio de 2...

Lo que encontró la prueba: All 39 regression tests pass. beautifulsoup4 is installed in a venv, ffmpeg is available, all four CLI scripts (scrape, check_lessons, render_audio, package_class) emit correct usage docs, the lesson checker correctly validates scripts and citations, and the package class script combines cards into a deliverable. 2 minutos.

Una biblioteca de Python para resolver reCAPTCHA v2 y v3 con Playwright

Lo que encontró la prueba: All 16 tests execute without errors against live reCAPTCHA demo pages and antcpt.com; v2 solvers correctly raise RecaptchaRateLimitError against Google's rate limits, v3 solvers solve antcpt.com successfully, and recaptcha_not_found tests raise proper exceptions when no captcha is present. 7 minutos.

AI Avatar / plataforma de humano digital: sube una foto, clona una voz, habla con cualquier rostro en tiempo real con video de sincronización de labios. Código...

Lo que encontró la prueba: Backend FastAPI server runs on port 8000 with SQLite storage, 191 pytest tests pass, frontend Next.js builds and serves on port 3000, full REST API flow (register/login/me/avatar upload/session create/guest) works end to end in local-dev mode without Docker, Redis, or third-party API keys. 10 minutos.

Crea agents telefónicos de IA en tu propia máquina y prueba cada cambio con un llamante de IA. Código abierto, funciona gratis sin claves de API, centavos por...

Lo que encontró la prueba: Both packages (vpd-vk 0.3.0, vpengine 0.3.0) installed in .venv-engine; 453 tests pass; engine starts and answers health and chat session endpoints. 23 minutos.

Reconocimiento de voz generativo con enfoque en árabe, Audar-ASR-V1 (Flash + Turbo). #1 en el Open Universal Arabic ASR Leaderboard. Model cards, benchmarks &...

Lo que encontró la prueba: Audar-ASR-V1-Flash model loads and transcribes on CPU. All three reference API functions (transcribe, transcribe_long, stream_transcribe) work correctly. 27 minutos.

Dramaxis (剧枢): plataforma de narración cinematográfica y comentarios inteligentes multi-agente (Tauri 2 + Rust + React 19). 6 agentes inteligentes trabajan en...

Lo que encontró la prueba: All 280 frontend tests pass, frontend production build succeeds (299 modules), 10 of 11 Rust workspace crates compile and all their tests pass (core=13, intake=17, export=18), VitePress docs build succeeds. Tauri desktop shell (root Cargo.toml + update crate) blocked by missing libwebkit2gtk-4.1-dev system packages... 11 minutos.

¡Una frase para que la IA haga tu vídeo promocional! Dale el nombre/URL a Cursor, Claude Code o Codex. Investiga, crea bocetos, graba 4K, edita al ritmo...

Lo que encontró la prueba: Template project installs, fonts subset correctly, stills render, 1080p preview video renders cleanly, web player builds; lint passes; all doctor checks pass except optional ElevenLabs key. 10 minutos.

Dicción por voz local y grabador de reuniones para Windows + Linux. Mantén una tecla de acceso rápido para dictar, o graba reuniones largas con audio del...

Lo que encontró la prueba: pnpm+uv deps installed, TypeScript+Python code compiles/typechecks, frontend Vite build succeeds, 331/331 backend tests pass, and the Qt+Pyloid desktop app launches on the virtual display and loads the Whisper speech model. 22 minutos.

Copiloto de reuniones con IA de código abierto: transcripción en tiempo real, cancelación de eco y asistencia de IA. Captura audio del sistema + micrófono...

Lo que encontró la prueba: Raven 2.5.0 Electron app builds from source, runs tests (1088 passed), and launches on Linux with Vite dev server and Electron main process. 3 minutos.

transcripción de voz muy rápida, diarización, streaming (incluso en CPU) con NVIDIA Parakeet en Rust

Lo que encontró la prueba: parakeet-rs compiles, all 24 tests pass, and the full ONNX inference pipeline runs successfully with a verified model. 4 minutos.

Cliente de la API de Vonage para Node.js. Soporte de API para SMS, Voice, Text-to-Speech, Numbers, Verify (2FA) y más.

Lo que encontró la prueba: The @vonage/server-sdk monorepo installs cleanly under Node 22.23.4, all 618 tests pass, all 28 packages build to CJS/ESM/DTS, lint passes, and a real end-to-end call against a local mock returned a parsed account balance of 10.28 EUR and an SMS response with message-count 1 and status 0. 5 minutos.

Un paquete de Python ligero para el reconocimiento automático del habla usando modelos ONNX

Lo que encontró la prueba: All 249 core tests pass, package imports correctly, CLI displays help with all supported model names, and whisper-tiny model executes real ASR inference via Hugging Face. 12 minutos.

Conversión de voz a texto en Obsidian usando Whisper

Lo que encontró la prueba: All 69 tests pass (5 test files), TypeScript type-checking passes, esbuild bundles main.js successfully with no errors. 1 minuto.

Una aplicación de escritorio para transcribir audio y video desde archivos, URLs, videos de YouTube o tu micrófono, y luego editar, traducir, resumir...

Lo que encontró la prueba: All 554 tests pass, the desktop GUI opens a mapped window on Xvfb, and the CLI transcribes audio files with WhisperX on CPU. 8 minutos.

AAAI 2025: Codec Does Matter: Explorando la Deficiencia Semántica del Codec para el Modelo de Lenguaje de Audio

Lo que encontró la prueba: X-Codec model builds, imports, runs encode/decode on real audio across all bandwidths, and produces valid WAV output. 8 minutos.

Adaptación del modelo Whisper de OpenAI en C/C++

Lo que encontró la prueba: whisper.cpp builds from source and transcribes the JFK speech sample correctly with the base.en model on CPU, returning 7 passing tests and a working HTTP server. 5 minutos.

Crea y edita tutoriales de video con IA usando lecciones ilustradas, presentadores expresivos, voces distintivas y una línea de tiempo nativa. Aplicación de...

Lo que encontró la prueba: All 6 workspace packages build successfully. JS unit tests pass 156/156 (packages/contracts/scenes/themes). Renderer tests pass 100/117 (17 pre-existing version-mismatch failures). Python pipeline tests pass 942/956 (2 pre-existing failures: Linux path normalization vs Windows test, and stale manifest byte count). The... 22 minutos.

Scraper self-hosted de TikTok, Douyin y Bilibili y descargador de videos sin marca de agua: API REST asíncrona, servidor MCP para AI agents, CLI y consola web...

Lo que encontró la prueba: All 2960 tests pass (2450 unit + 510 integration), the CLI outputs version 5.0.1 and lists 10 commands, the API server starts and serves healthz/readyz/swagger/console root with 200, the web console SPA is built, and both the PostgreSQL+TimescaleDB and Redis backends and the Go downloader sidecar run. 48 minutos.

Un entorno de ejecución de voz en tiempo real que mantiene a los Agents hablando, trabajando y presentes. Real-time Voice Runtime para AI Agents.

Lo que encontró la prueba: The qwen-audio-agent v1.11.0 project installs, builds, launches a Gateway serving HTTP 200 on port 3101, and passes all 1789 automated tests with zero failures. 9 minutos.

Vocello: un estudio de voz privado para Apple Silicon. Escribe un script, elige o describe una voz, y genera habla localmente en tu Mac y iPhone. Swift nativo...

Lo que encontró la prueba: On this Linux container the repository's deterministic contract gate passes cleanly, the Python suite passes 1526 tests with 2 unfixable lsof-dependent tests failing, the website's 19 unit tests and production build pass under portable Node 22, and a vite preview server served the prerendered site and both... 12 minutos.

Cliente de línea de comandos Whisper compatible con el cliente original de OpenAI basado en CTranslate2.

Lo que encontró la prueba: Installed in a venv; the CLI answers version 0.5.7, all 17 unit tests pass, and 6 of 7 e2e tests pass including real small/medium-model transcription of the bundled samples matched against reference outputs, with only diarization failing because it needs a real HuggingFace token and pyannote/torch. 22 minutos.

Dramaxis (剧枢): plataforma cinematográfica de narrativa y narración inteligente multi-agente (Tauri 2 + Rust + React 19). 6 agents inteligentes que dirigen en...

Lo que encontró la prueba: Frontend installs, type-checks, builds, and its full Vitest and Playwright suites pass (157 unit tests, 8 e2e tests), and all 12 non-GUI Rust crates build and pass 79 unit plus 2 doc tests; the Tauri desktop shell still cannot be compiled because its system GTK/WebKit dev libraries are absent from this container. 28 minutos.

Generador de subtítulos ASR/STT. Usa Qwen3-ASR, LLM local, Whisper, TEN-VAD. Robusto frente al ruido para JAV.

Lo que encontró la prueba: Project installed from source at /work/repo with 79 packages in a Python 3.12 venv. All 4 verification commands pass: import, --version (1.9.3), --help (full CLI), --dump-params (safe config probe). 617/617 clean tests pass; 43 failures and 11 errors are pre-existing (version drift, restructured config, missing... 11 minutos.

Kit de herramientas de producción de video nativo de IA para Claude Code

Lo que encontró la prueba: Hello-world, sprint-review template, render-baseline test, and concept-explainer-short template all render valid MP4 videos; migration script fixed and installs all 27 skills/commands; verify_setup.py confirms all prerequisites met. 16 minutos.

Una increíble extensión de navegador que lee en voz alta el contenido de páginas web con un solo clic.

Lo que encontró la prueba: Read Aloud extension package builds cleanly (474KB ZIP), all 49 JS files pass node syntax check, the extension loads into Chromium 127 via Playwright without errors, manifest declares all TTS permissions and a service worker, and 14 distinct TTS engine implementations are wired in tts-engines.js. 5 minutos.

Nodos de TTS OmniVoice para ComfyUI - texto a voz multilingüe sin entrenamiento previo con clonación de voz, diseño de voz y diálogo multihablante

Lo que encontró la prueba: 5 OmniVoice TTS ComfyUI nodes (Longform TTS, Voice Clone, Voice Design, Multi-Speaker, Whisper Loader) installed and registered; OmniVoice-bf16 model loads from HuggingFace cache, generates valid 24kHz audio waveform from text on CPU in ~9 seconds for 2-second utterance. 5 minutos.

Alternativa de código abierto y primero local a Granola/Otter, que Claude Code, Codex, Cursor y cualquier cliente MCP pueden consultar. Reuniones, llamadas y...

Lo que encontró la prueba: The minutes CLI v0.27.0 binary builds and runs: 59 commands available, demo generates 5 sample meetings with correct markdown frontmatter and YAML metadata, capabilities endpoint reports 50+ features, whisper-guard passes 14/14 tests, 1827/1864 minutes-core tests pass with 37 container-limited failures, 3/4... 30 minutos.

Una aplicación gratuita, de código abierto y extensible de voz a texto que funciona completamente sin conexión.

Lo que encontró la prueba: The Handy app builds from source (debug binary + frontend), passes its full Rust unit test suite (271/271) and Playwright frontend tests (2/2), and launches and stays up on the Xvfb virtual display, enumerating its CPU compute device and 69-model catalog via CLI. 67 minutos.

Una herramienta de reconocimiento de habla silenciosa en tiempo real.

Lo que encontró la prueba: AVSR model loads on CPU and produces transcriptions from video features; MediaPipe face detector initializes; all Python imports resolve; webcam capture fails in headless environment (no /dev/video0) but app otherwise works. 23 minutos.

IA en el dispositivo para Flutter: Gemma y otros LLMs, multimodal, llamada a funciones, incrustaciones, RAG y voz en Android, iOS, Web, macOS, Windows y Linux.

Lo que encontró la prueba: All 14 Dart pub workspace packages with test directories pass their test suites on Linux x64 with Flutter 3.47.0 and Dart 3.13.0, with 0 errors and all 567 analyzer findings at info level only. 11 minutos.

VRCT(Traductor y transcripción de Chatbox de VRChat)

Lo que encontró la prueba: Python backend starts and completes full initialization (Whisper model, CTranslate2, OSC), Vite frontend builds and serves, all 936 pytest tests pass, OCR engine is ready with downloaded models, Rust toolchain installed; Tauri native build blocked by missing webkit2gtk-4.1 system libraries (not installable without... 25 minutos.

Aplicación de escritorio de IA gratuita y de código abierto para audiolibros, podcasts, documentales, películas y videos animados, con modelos locales, APIs en...

Lo que encontró la prueba: Dependencies installed, 819 non-multimedia tests pass (0 failures), the engine host HTTP server answers 200 on /health, and 4 code/test bugs were fixed; the Qt GUI cannot launch because no PipeWire audio daemon runs in this container. 31 minutos.

Amphion (/æmˈfaɪən/) es un kit de herramientas para la generación de audio, música y voz. Su propósito es apoyar la investigación reproducible y ayudar a...

Lo que encontró la prueba: Core dependencies installed, evaluation metrics compute correctly on audio pairs, model classes import cleanly. pyworld-dependent f0 metrics unavailable without python3-dev headers. Cython monotonic_align extension uncompiled for same reason. 25 minutos.

Una biblioteca de text-to-speech (TTS), speech-to-text (STT) y speech-to-speech (STS) construida sobre el framework MLX de Apple, que proporciona un análisis...

Lo que encontró la prueba: mlx-audio v0.5.6 installed in a Python venv with mlx[cpu] backend, 354 of 376 tests pass (22 skipped due to missing torch/diffusers for parity), FastAPI server starts and responds 200 on /v1/models, all five CLI tools print help. 8 minutos.

ODS V3 Pre-Release: Pruebas públicas y refinamiento antes del lanzamiento oficial de V3. Convierte tu PC, Mac o máquina Linux en un servidor de IA privado.

Lo que encontró la prueba: Project builds correctly, all 418 bats tests, 14/14 smoke tests (after ai_err fix), ~300 shell/Python contract tests, and the vite frontend build pass. The Docker runtime install cannot complete in this environment, but the dry-run installer, CLI (-v2.6.0), all standalone test suites, and the frontend are functional. 15 minutos.

Un compañero de escritorio con IA autónomo y consciente del contexto. Construido con Python, con visión de pantalla en tiempo real, síntesis de voz...

Lo que encontró la prueba: All 18 modules initialize correctly: EventBus, KinematicsEngine, WindowManager, FaceRenderer, ChatBubble, InputBox, StateMachine, CognitiveEngine (Groq mode), Vision sensors (semantic + mss), WindowTracker, AutonomyEngine, and VoiceEngine all boot to 'B is alive' with the Qt event loop running at ~62fps. Windows-only... 28 minutos.

Una familia de modelos de código abierto para voz de formato largo, síntesis de diálogos, diseño de voz, efectos de sonido y TTS de streaming en tiempo real.

Lo que encontró la prueba: MOSS-TTS Python package installs and builds; FastAPI server starts and serves /health endpoint on port 8768; CLI entry point prints usage; all core Python modules import; the project is ready for model weight download and GPU inference but cannot run inference in this container because no CUDA GPU is available and the... 31 minutos.

El SDK oficial de Python para el API de ElevenLabs.

Lo que encontró la prueba: The elevenlabs Python SDK v2.69.0 is installed in a venv and all 219 tests pass using httpx.MockTransport to mock ElevenLabs API endpoints. 15 minutos.

IA multimodal en tiempo real en el dispositivo, con funciones similares a GPT-Live.

Lo que encontró la prueba: Project installs, builds, and the server starts with Gemma 4 E2B loaded and serving HTTP+WebSocket; the end-to-end AI pipeline (turn detection, llama.cpp inference, transcript parsing, TTS) all initialize and run correctly when tested manually, but the full test suite cannot complete because CPU-only inference exceeds... 77 minutos.

Un AI Agent Studio local para Windows orientado al comercio electrónico en vivo de 抖音, que integra un flujo de trabajo inteligente unificado que abarca el...

Lo que encontró la prueba: The web UI serves 200 with the LiveAgent Studio title, the local gateway health endpoint verifies both mock DashScope and mock OSS as configured/verified, all 37+16+3 agent unit tests plus the frontend build tests pass, and the full video breakdown pipeline produced and decoded a real timestamped Excel transcript. 27 minutos.

Estudio de IA local portátil para Windows, Linux y macOS. GUI de configuración cero para generación de imágenes, LLMs GGUF, texto a voz y voz a texto.

Lo que encontró la prueba: Frontend deps installed, React UI builds and is served on localhost:1420, all 13 regression tests pass, server API endpoints respond correctly. 7 minutos.

Talking Head (3D): Una clase de JavaScript para sincronización de labios en tiempo real usando avatares 3D de cuerpo completo.

Lo que encontró la prueba: TalkingHead 3D avatar library installed with npm, local brunette.glb avatar loads successfully in headless Chrome via WebGL, and the full test suite of 32 streaming API tests passes with 0 failures. 14 minutos.

Servidor de inferencia LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. MLX nativo, batching continuo, modelos multimodales...

Lo que encontró la prueba: vllm-mlx 0.5.0 installs into a venv on x86 Linux, its CLI help command prints usage for 8 subcommands, and 1559 of its Linux-compatible unit tests pass. 23 minutos.

Servidor oficial de MiniMax Model Context Protocol (MCP) que permite la interacción con potentes APIs de texto a voz, generación de imágenes y generación de...

Lo que encontró la prueba: Package installed in a venv, all 9 pre-existing tests pass (3 server + 6 utils), and the MCP server binary launches and waits for stdio input. 2 minutos.

Una integración completa de ComfyUI para el modelo de texto a voz VibeVoice de Microsoft, que permite síntesis de voz de alta calidad para uno o varios...

Lo que encontró la prueba: 5/5 nodes registered. Torch 2.14.1+cu130, Transformers 4.57.6, Diffusers 0.39.0. Needs real model files + Qwen2.5-1.5B tokenizer for TTS. 22 minutos.

Interfaz para modelos OuteTTS.

Lo que encontró la prueba: outetts 0.4.4 installed with all dependencies including llama-cpp-python 0.3.9 (CPU), Python modules import cleanly, default speakers load, JS test suite 12/12 passes. 15 minutos.

Voz a texto nativo para Linux: rápido, preciso, privado y hackeable, con dictado en todo el sistema.

Lo que encontró la prueba: Python venv with all test and runtime dependencies installed; 1146/1146 tests pass; CLI responds correctly for help, config, status, transcribe routing; main service blocked only by missing system libportaudio2 which requires root to install. 17 minutos.

Una app de chat de voz

Lo que encontró la prueba: The QuiLLMan frontend and websocket adapter run locally via uvicorn on port 8000 with a mocked Modal layer serving both the React frontend (200 on /) and a FastAPI websocket endpoint (200 on /status, echo responses on /ws). 11 minutos.

Procesamiento de voz de Botium

Lo que encontró la prueba: The Botium Speech Processing frontend server runs on port 56000 serving status, STT, TTS, languages, voices, and Swagger endpoints, with mock backends for MaryTTS and Kaldi substituting for the Docker-dependent default services. 6 minutos.

Lobe TTS - Una biblioteca TTS/STT de alta calidad y confiable para servidor y navegador

Lo que encontró la prueba: Dependencies installed; library builds and type-checks on Node 22.14.0; createEdgeSpeech connects to a WebSocket, sends speech.config and ssml frames, and returns a 200 Response containing the mocked audio payload. 17 minutos.

Reconocimiento de voz para proyectos React Native Expo

Lo que encontró la prueba: The library builds and type-checks, its example web app serves and renders with no page or console errors, and its web speech module start/stop/event wiring works against a mock SpeechRecognition in Chrome. 53 minutos.

Transcribe y traduce voz a archivo LRC usando Whisper y LLMs (GPT, Claude, et,al). 使用whisper和LLM(GPT，Claude等)来转录、翻译你的音频为字幕文件。

Lo que encontró la prueba: openlrc 1.7.0a2 is installed and built in a Python 3.12 venv; all 186 mock-based unit tests pass; the httpx/httpx2 compatibility bug in ClaudeBot and GPTBot constructors is fixed. 27 minutos.

Lo que encontró la prueba: All 17 examples install and run: every Next.js example builds (pnpm run build exit 0) and its / and API routes answered 200 against schema-correct local mocks returning real decodable MP3 audio, transcripts, and tokens; the CLI TS/Python quickstarts produced output.mp3 (ffmpeg-decode clean) or printed the transcript... 64 minutos.

Un cliente simple de texto a voz para la API de Azure TTS.

Lo que encontró la prueba: aspeak 6.1.0 builds and runs from source with PKG_CONFIG_PATH and LIBRARY_PATH workarounds; CLI text and SSML synthesis, stdout output, and offline subcommands (list-formats, list-qualities, --help, --version) all work; real Azure endpoint tests skipped due to missing credentials. 10 minutos.

SDK oficial de Python para Deepgram.

Lo que encontró la prueba: deepgram-sdk 7.10.0 is installed in a Poetry virtualenv and its full test suite passes (1052 passed, 4 skipped) against a local WireMock-compatible mock, with sync and async client calls returning parsed typed responses and ruff plus mypy clean. 7 minutos.

Asistente de entrevistas AI y copiloto de reuniones de código abierto: respuestas en vivo durante llamadas de Zoom, Google Meet y Teams, transcripción en el...

Lo que encontró la prueba: The app installs and builds on the bundled toolchain, 123 unit tests and 44 relay tests pass, the Electron app launches (windows visible on Xvfb), and a chat request travels from the built app through the local relay to the OpenAI-compatible mock upstream and back with HTTP 200. 10 minutos.

Un módulo simple de Azure Speech Service que usa la API Microsoft Edge Read Aloud.

Lo que encontró la prueba: pnpm install and TypeScript build succeed, all 10 Jest tests pass using a local WebSocket mock of the Microsoft Edge Read Aloud API. 26 minutos.

Desde herramientas de AI hasta creación de videos de TikTok usando FFMPEG, Microsoft Edge read aloud y el modelo OpenAI Whisper

Lo que encontró la prueba: Package installs (uv sync --frozen), CLI help works, list-voices queries real Edge TTS API returning 9 Male + 8 Female English voices, create pipeline runs end-to-end with yt-dlp YouTube download, Whisper transcription, FFmpeg video composition delivering a valid 2.3MB MP4, and pytest passes 1/1. 7 minutos.

Sayna es una capa de voz unificada para AI agents con una integración perfecta con frameworks de agentes existentes.

Voicy (@voicybot): un bot de Telegram que convierte mensajes de voz en texto en grupos y chats privados

Lo que encontró la prueba: The repo installs and builds (yarn install + tsc), and 32 proof scripts including the worker end-to-end vNext QAs pass against a locally-started mongod; live-Telegram checks were not run because they need a real bot token, and the local-whisper proof was made platform-independent. 6 minutos.

Subtítulos traducidos en tiempo real desde el audio del equipo o del micrófono.

Lo que encontró la prueba: Full Rust library unit-test suite (421 tests) passes, frontend vitest suite (120 tests) passes, TypeScript typecheck and production Vite build succeed, ESLint clean, with all system GTK/WebKit GLib dependencies resolved from apt-downloaded .deb packages extracted to a local prefix. 21 minutos.

Modelos Whisper optimizados para transmisión en tiempo real y uso en el dispositivo.

Lo que encontró la prueba: In this container the Python package installs and imports, the streaming pipeline and examples/server.py run against a local mock ASR endpoint returning word timestamps, and the Electron client launches on the virtual display and completes a session-create/audio-chunk/process transcription round trip; real CUDA/CoreML... 34 minutos.

24 agent skills multiplataforma para Claude Code, Cursor, Codex y Gemini CLI: bases de datos, mensajería, investigación, TTS, DevOps y Google Workspace.

Lo que encontró la prueba: All Python deps install and the full pytest suite passes (11 passed, 1 skipped); Outline, Telegram, Google TTS, ElevenLabs, Imagen, and NotebookLM E2E smoke are verified working against local mocks with production defaults preserved, while real-database skills and credential-gated third-party skills remain unverified... 40 minutos.

Nodo personalizado de ComfyUI para el VibeVoice TTS. Audio expresivo, de formato largo, conversacional con múltiples hablantes.

Lo que encontró la prueba: ComfyUI-VibeVoice v2.11.0 core modules and nodes install successfully; 1365 of 1634 tests pass under mocked ComfyUI stubs; remaining 230 failures require a real ComfyUI installation with model weights and GPU. 31 minutos.

SDK de voz e IA de código abierto. La alternativa a Vapi/Retell para desarrolladores que quieren ser dueños de la pila. Dale a tu AI agent un número de...

Lo que encontró la prueba: Python SDK installs and runs 3037 passing tests. TypeScript SDK installs, compiles with zero errors, builds, and all test files pass. Python CLI responds with usage text. Two code bugs (SSRF IPv4-mapped blocking, mtime tiebreaker) and one tooling issue (vitest/vite version mismatch) were diagnosed and fixed. 41 minutos.

Subtítulos traducidos en tiempo real desde el audio del equipo o del micrófono.

Lo que encontró la prueba: In this container, mimi builds cleanly (all check.sh gates green) and the dev binary launches and stays up on the Xvfb display with settings, overlay, control and tray windows mapped, its UI-test synthetic session toggling between listening and idle via the Ctrl+Shift+Space global shortcut; real provider calls and... 36 minutos.

:speech_balloon: /so.nus/ STT (conversión de voz a texto) para Node con detección de palabra de activación sin conexión

Lo que encontró la prueba: With the recorded workarounds, the project's dependencies install, the snowboy native addon and grpc load, ESLint passes, the snowboy detector fires the hotword on real audio, and sonus's hotword-to-recognition flow works against a mock speech recognizer. 17 minutos.

Un servidor de lectura de documentos en voz alta de código abierto con opciones de TTS de alta calidad, resaltado sincronizado y exportación de audiolibros...

Lo que encontró la prueba: Node.js v22.12.0 with pnpm 10.33.4 installed, all 810 unit tests pass (0 failed), TypeScript type checking clean for both main app and compute-worker, production build compiles successfully, linting and boundary checks pass, and the development server starts and serves all pages (root, signin, signup) with HTTP 200. 8 minutos.

Nodo de ComfyUI para habla altamente expresiva y clonación de voz realista zero-shot

Lo que encontró la prueba: ComfyUI-VoxCPM v2.4.0 loads in ComfyUI 0.42.0 on CPU; all 6 custom nodes registered under audio/tts categories; test suite runs 61/62 passing; ComfyUI server starts and responds on --cpu flag; frontend JS extension served; model scanning, settings, validation, and configuration types all verified standalone. 9 minutos.

Runtime de Voice AI. Transcripción local primero, diarización de hablantes, TTS y clonación de voz con una API compatible con OpenAI.

Lo que encontró la prueba: Izwi CLI 0.1.0-beta-18 and HTTP API server compile and run on linux-x86_64 with CPU backend; all 3169+ unit tests pass across 7 workspace crates; server serves OpenAI-compatible /v1/ endpoints on port 8080 with proper health, metrics, model listing, OpenAPI docs, and web UI; desktop Tauri shell cannot build due to... 30 minutos.

Aplicación de notas de reuniones con IA que prioriza la privacidad para Windows y macOS. Gratis, de código abierto (MIT). Transcripción en el dispositivo con...

Lo que encontró la prueba: Meetily Tauri app builds from source, all Rust (188) and frontend (8) tests pass, and the desktop app launches successfully on Xvfb, initializing all subsystems including Tauri GUI, notification system, database, tray icon, and model managers. 61 minutos.

La biblioteca oficial de JavaScript (Node) para el API de ElevenLabs.

Lo que encontró la prueba: The repository installs with npm, builds with tsc, and its full Jest suite (1094 tests, 179 suites) plus a 22-check SDK probe pass under Node 20 against a local schema-correct mock of the ElevenLabs API, with generated mp3 audio verified by ffmpeg decode and WebSocket realtime/speech-engine paths verified live. 19 minutos.

Editor de video de código abierto y de prioridad local, donde los creadores y los AI agents editan la misma línea de tiempo real.

Lo que encontró la prueba: npm install, TypeScript typecheck, and Vite build all pass; the dev server starts and serves the application at localhost:5173; the headless timeline CLI command engine parses commands and returns structured JSON errors. 9 minutos.

Un Workflow de Alfred 5 para usar la API de Chat de OpenAI e interactuar con modelos GPT. También permite generación/edición/comprensión de imágenes...

Lo que encontró la prueba: Ruby 3.4.7 installed via Conda; all 21 source files pass syntax check; 11 of 12 test files pass (the lone failure is a macOS-only afplay assertion); the WEBrick HTTP server boots and serves pages correctly; the HTML page builder produces complete output. 6 minutos.

Un modelo TTS capaz de generar diálogo ultrarealista en una sola pasada.

Lo que encontró la prueba: Package nari-tts installs and all modules import, config loads from HF, CLI help parses, and audio utility functions work correctly, but the 1.6B-parameter model cannot load on this container's 755 MB of RAM (needs at least 3.2 GB). 10 minutos.

Speech Note Linux app. Toma de notas, lectura y traducción vía conversión de voz a texto sin conexión, texto a voz y traducción automática.

Lo que encontró la prueba: CMake configured successfully in build_final2 with Qt6 6.4.2, Catch2, fmt, ffmpeg; full build fails at dsnote_lib because 18+ external C/C++ API symbols from webrtc_vad, rnnoise, espeak-ng, piper, april-asr, sam, rdrview, cld2, google_pinyinim, xdo, qhotkey, libarchive, taglib, ssplitcpp, maddy, html2md, cpp-pinyin... 48 minutos.

Puerta de enlace de IA self-hosted para RAG privado, acceso a datos en lenguaje natural y agentes que llaman a herramientas.

Lo que encontró la prueba: no se pudo verificar; el log muestra dónde se detuvo. 28 minutos.

Haz que las voces TTS naturales de Azure sean accesibles para cualquier aplicación compatible con SAPI 5.

Lo que encontró la prueba: x64 release binaries (TtsApplication.exe and NaturalVoiceSAPIAdapter.dll) extracted from GitHub release v0.2.9 and run under a manually-extracted wine-9.0 environment with zlib1.dll provided from MSYS2 mingw64, the GUI app launches and stays running, and the COM DLL registers successfully via regsvr32. 20 minutos.

Give AI agents eyes, ears, and verifiable results. Watch Skill turns video, audio and screen activity into searchable, timestamped evidence and proves work...

Lo que encontró la prueba: watch-skill 1.4.3 installed with all extras; 2215 offline tests pass; ruff clean; CLI reports all dependencies operational; lint checks pass. 88 minutos.