オープンソースの音声認識と音声合成、テスト済み

1 分の音声データを使用して、優れた TTS モデルを訓練することもできます！(数ショット音声クローン)

テストでわかったこと: 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 分。

WhisperX: 単語レベルのタイムスタンプ（& ダイアリゼーション）を備えた自動音声認識

テストでわかったこと: 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 分。

Leon は、あなたのオープンソースのパーソナルアシスタントです。

テストでわかったこと: 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 分。

インターネット接続なしで next-gen Kaldi と onnxruntime を使用した音声認識、音声合成、話者分離、音声強調、音源分離、VAD。組み込みシステム、Android、iOS、HarmonyOS、Raspberry Pi、RISC-V、RK NPU、Axera NPU、Ascend...

テストでわかったこと: 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 分。

Claude Code 向けにコードで作られたフィルムスタイルのツールボックス: 66 種類のすぐ使えるスタイルと、あなた自身のスタイル。各スタイルは、スタイルプロンプトと、Claude Opus 5.5 によって完全にコードで作られたデモフィルムで構成されています。ビデオモデルは使用していません。Lemomo...

テストでわかったこと: 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 分。

音声テキスト変換ディクテーションアプリ。ローカルモデル (Nvidia Parakeet/Whisper) とクラウドモデル (BYOK) に対応。プライバシー最優先で、クロスプラットフォーム対応。

テストでわかったこと: npm install succeeds, all 944 tests pass with Node 24 and the custom loader bootstraps, test script runs all test suites without failures. 71 分。

堅牢で効率的、低遅延の音声テキスト変換ライブラリであり、高度な音声アクティビティ検出、ウェイクワード起動、および即時文字起こしを備えています。

テストでわかったこと: 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 分。

Python 向けの音声認識モジュールで、複数のエンジンと API に対応し、オンラインとオフラインの両方をサポートします。

テストでわかったこと: 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 分。

Apple の MLX フレームワーク上に構築された、テキスト読み上げ (TTS)、音声テキスト変換 (STT)、音声対音声変換 (STS) のライブラリで、Apple Silicon 上で効率的な音声分析を提供します。

テストでわかったこと: 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 分。

あなたのサイト向けの音声認識

テストでわかったこと: All 165 tests pass, build produces ESM/CJS/IIFE bundles in dist/, and the library is usable via npm import or script tag. 11 分。

FunASR を利用した動画の文字起こし、字幕生成、および LLM 支援のクリッピングを行うツールで、ローカルの Gradio UI を備えています。

テストでわかったこと: 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 分。

EPUB、PDF、テキストから同期されたキャプション付きのオーディオブックを生成します。

テストでわかったこと: 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 分。

オープンソースの音声 AI プラットフォーム。Vapi と Retell のセルフホスト型代替品。オンプレミス対応、Speech to Speech または LLM/STT/TTS での BYOK 対応、ビジュアルワークフロービルダー、MCP ネイティブ、テレフォニーサポートを備えています。

テストでわかったこと: 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 分。

YouTube/Bilibili 向けのオープンソース AI 動画ローカライズ・吹き替え: 音声認識、字幕翻訳、音声クローニング、オーディオミキシング、レンダリング。オープンソース AI 動画翻訳・吹き替えツール。

テストでわかったこと: 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 分。

mac、windows、linux 向けローカル音声ディクテーション

テストでわかったこと: 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 分。

リアルタイム通信のための Python ライブラリ

テストでわかったこと: 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 分。

100M パラメータの多言語 TTS モデル：リアルタイム CPU 推論、音声クローン、48 kHz ステレオ生成

テストでわかったこと: 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 分。

OpenAI の Whisper のほぼリアルタイムの実装。

テストでわかったこと: 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 分。

テキストをリアルタイムで音声に変換します。

テストでわかったこと: 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 分。

OpenAI Whisper ASR Web サービス API

テストでわかったこと: 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 分。

ACE-Step、OmniVoice、Kimi Audio、Piper TTS、GPT-SoVITS、CosyVoice、XTTSv2、DIA、Kokoro、OpenVoice、ParlerTTS、Stable...

テストでわかったこと: 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 分。

[AutoArk] GPA (General Purpose Audio) は、ASR、TTS、および音声変換を、one つの小さなモデルで行うことができます!

テストでわかったこと: 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 分。

Google Meet、Microsoft Teams、Zoom 向けのオープンソースの会議文字起こし API。自動参加ボット、リアルタイム WebSocket 文字起こし、AI エージェント向け MCP サーバー。セルフホストまたはホスト型 SaaS を利用できます。

テストでわかったこと: 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 分。

Google Translate のテキスト読み上げ API と連携する Python ライブラリおよび CLI ツール

テストでわかったこと: gTTS 2.5.4 installed, all 108 pytest tests pass, and the CLI generates valid MP3 audio via the Google Translate TTS API. 1 分。

Python 向けオフライン Text To Speech 合成

テストでわかったこと: 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 分。

ggml による音声認識推論、16+ のモデルファミリー向け

テストでわかったこと: 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 分。

オープンソースのローカル AI オーディオ & ミュージックスタジオ (macOS と Windows 向け)。TTS、ボイスクローニング、歌詞付きの曲、マルチトラックスコアを備え、100% オフラインで API 料金はゼロ。

テストでわかったこと: 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 分。

GPT-SoVITS ONNX 推論エンジン & モデルコンバーター

テストでわかったこと: 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 分。

ワンクリックで Web ページのコンテンツを読み上げる素晴らしいブラウザ拡張機能

テストでわかったこと: 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 分。

Wayland コンポジター向けのプッシュトゥトークによる音声テキスト変換

テストでわかったこと: 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 分。

トピック → コーディングエージェント向けの 4K ナレーション付きビデオ。v5.3.0: ローカル TTS (Edge 無料版 + Azure、外部エンジン不要)、マニフェストベースの Asset Engine、Remotion コンポジション、コストゲート付き AI...

テストでわかったこと: 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 分。

Soprano: 即時、超リアルなテキスト読み上げ

テストでわかったこと: 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 分。

AI ディクテーションアプリ - オープンソースでローカルファースト。キーボード不要で 3 倍速く入力できます。オープンソースモデルを搭載し、オフラインでも高速かつ正確に動作します。

テストでわかったこと: 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 分。

Flow Matching ベースの絵文字駆動スタイル制御を備えたテキスト読み上げモデル

テストでわかったこと: 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 分。

Comfyui の機能を拡張するカスタムノード。

テストでわかったこと: 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 分。

マルチバックエンドの Whisper アプリ。非常に高速。Mac-arm に最適化。簡単インストール。ローカルファイルまたは URL を入力すると、このサービスは Whisper AI を使用してそれを文字起こしします。完全にプライベートで無料。

テストでわかったこと: 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 分。

動画の同期翻訳。ビデオ吹き替え。

テストでわかったこと: 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 分。

柔軟な話者制御とゼロショット音声クローニングを備えた、長文の多話者対話合成のための多言語モデル

テストでわかったこと: 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 分。

リアルタイムで会話音声をストリーミングできる TTS モデル。

テストでわかったこと: 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 分。

Whisper-Flow は、OpenAI の Whisper モデルを使用して、音声コンテンツのリアルタイム文字起こしを可能にするように設計されたフレームワークです。アップロード後にファイル全体を処理する（バッチモード）のではなく、Whisper-Flow...

テストでわかったこと: 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 分。

セルフホスト型の Whisper と WebSocket を使った Python/JS によるほぼリアルタイムの音声文字起こし

テストでわかったこと: 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 分。

音声認識システムを、単語誤り率 (WER) などの類似度指標で評価してください。

テストでわかったこと: 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 分。

PHP 用 Vonage REST API クライアントです。SMS、Voice、Text-to-Speech、Numbers、Verify (2FA) などの API をサポートしています。

テストでわかったこと: 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 分。

AI エージェントが作成する説明動画とプロダクトデモです。無料でオープンソース。ローカルの音声（Kokoro）、単語のタイミング（Whisper）、およびキャンバスレンダラーがスクリプトをナレーション付きの MP4 に変換します。

テストでわかったこと: 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 分。

多言語 ASR および TTS モデル (Cohere Transcribe、Parakeet TDT、Voxtral、Canary 1B v2 など) に加え、ユニバーサル強制アライメントやその他の機能を備えた C++ ggml ランタイムハブです。

テストでわかったこと: 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 分。

Claudemy: Udemy や Coursera に代わるオープンソースの代替サービス。Claude にトピックを与えると、ウェブを調査し、引用元を含む2分間の音声レッスンのコースを構築します。無料の Claude Code スキルです。

テストでわかったこと: 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 分。

Playwright を使用して reCAPTCHA v2 および v3 を解決するための Python ライブラリ

テストでわかったこと: 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 分。

AI アバター/デジタルヒューマンプラットフォーム: 写真をアップロードし、声をクローンし、リップシンク動画で任意の顔とリアルタイムに会話できます。オープンソース、セルフホスト型。Claude・Whisper・Chatterbox・MuseTalk。

テストでわかったこと: 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 分。

自分のコンピュータで AI 電話エージェントを構築し、AI 発信者を使ってすべての変更をテストできます。オープンソースで、API キーなしで無料で動作し、自分のキーを使用する場合は通話あたりセントの費用です。Dialogflow CX をインポートします。

テストでわかったこと: 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 分。

アラビア語ファーストの生成型音声認識、Audar-ASR-V1 (Flash + Turbo)。Open Universal Arabic ASR Leaderboard で第 1 位を獲得。モデルカード、ベンチマーク、推論を提供します。

テストでわかったこと: Audar-ASR-V1-Flash model loads and transcribes on CPU. All three reference API functions (transcribe, transcribe_long, stream_transcribe) work correctly. 27 分。

Dramaxis (剧枢) は、映画級のマルチエージェント映像ナラティブ・インテリジェント解説プラットフォームです（Tauri 2 + Rust + React 19）。6 大エージェントが協調して演出を担当し、5...

テストでわかったこと: 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 分。

一言で AI に製品プロモーション動画を作らせましょう！製品名や URL を Cursor、Claude Code、Codex などの AI プログラミングツールに伝えると、AI が自ら製品を調査し、複数のスタイルのサンプル画像を描いて選択させてくれます。さらに 4K...

テストでわかったこと: 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 分。

Windows + Linux 向けのローカル音声ディクテーションと会議レコーダーです。ホットキーを押しながらのディクテーション、またはシステムオーディオ付きの長時間の会議録音ができます。Whisper による文字起こし、自前の LLM による要約。オープンソースです。

テストでわかったこと: 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 分。

オープンソースの AI 会議コパイロット: リアルタイム文字起こし、エコーキャンセリング、AI アシスタンス。システムオーディオとマイクをキャプチャし、WebRTC AEC3 でエコーをキャンセルし、Deepgram で文字起こしし、会議中に Claude/OpenAI のヘルプを提供します。macOS と...

テストでわかったこと: 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 分。

Rust で実装された、NVIDIA Parakeet による非常に高速な音声テキスト変換、話者分離、ストリーミング (CPU でも動作)

テストでわかったこと: parakeet-rs compiles, all 24 tests pass, and the full ONNX inference pipeline runs successfully with a verified model. 4 分。

Vonage API クライアント for Node.js。SMS、Voice、Text-to-Speech、Numbers、Verify (2FA) などの API をサポートしています。

テストでわかったこと: 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 分。

ONNX モデルを使用した自動音声認識のための軽量 Python パッケージ

テストでわかったこと: 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 分。

Obsidian で Whisper を使用した音声テキスト変換

テストでわかったこと: All 69 tests pass (5 test files), TypeScript type-checking passes, esbuild bundles main.js successfully with no errors. 1 分。

ファイル、URL、YouTube 動画、またはマイクから音声と動画を文字起こしし、その後、トランスクリプトの編集、翻訳、要約、字幕付け、およびトランスクリプトとのチャットができるデスクトップアプリです。

テストでわかったこと: All 554 tests pass, the desktop GUI opens a mapped window on Xvfb, and the CLI transcribes audio files with WhisperX on CPU. 8 分。

AAAI 2025: コーデックは重要: オーディオ言語モデル用コーデックの意味的な欠点の探求

テストでわかったこと: X-Codec model builds, imports, runs encode/decode on real audio across all bandwidths, and produces valid WAV output. 8 分。

OpenAI の Whisper モデルの C/C++ 移植です。

テストでわかったこと: 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 分。

イラスト付きレッスン、表情豊かなプレゼンター、個性的な声、ネイティブタイムラインを備えた AI ビデオチュートリアルを作成・編集できます。Windows デスクトップアプリで、ローカルモデルとクラウドプロバイダーに対応しています。

テストでわかったこと: 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 分。

セルフホスト型の TikTok、Douyin、Bilibili スクレイパーと透かしなし動画ダウンローダーです。非同期 REST API、AI エージェント向け MCP サーバー、CLI、Web...

テストでわかったこと: 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 分。

エージェントが話し続け、作業し続け、存在し続けるようにするリアルタイム音声ランタイムです。AI エージェント向けリアルタイム音声ランタイム

テストでわかったこと: 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 分。

Vocello: Apple Silicon 向けのプライベート音声スタジオ。スクリプトを書き、音声を選ぶか説明し、Mac と iPhone でローカルに音声を生成します。ネイティブの Swift と MLX、Python 不要、クラウド不要。Mac アプリとコマンドラインは現在公開中、iPhone ベータ版は...

テストでわかったこと: 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 分。

Whisper コマンドラインクライアント: CTranslate2 ベースのオリジナル OpenAI クライアント互換。

テストでわかったこと: 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 分。

Dramaxis (剧枢) は、映画級のマルチエージェント映像ストーリーテリングとインテリジェント解説を実現するプラットフォームです (Tauri 2 + Rust + React 19)。6 つの主要エージェントが協調して演出し、5...

テストでわかったこと: 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 分。

ASR/STT 字幕ジェネレーター。Qwen3-ASR、ローカル LLM、Whisper、TEN-VAD を使用。JAV 向けのノイズ耐性。

テストでわかったこと: 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 分。

Claude Code 向けの AI ネイティブなビデオ制作ツールキット

テストでわかったこと: 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 分。

ワンクリックで Web ページのコンテンツを読み上げる素晴らしいブラウザ拡張機能

テストでわかったこと: 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 分。

ComfyUI 用の OmniVoice TTS ノード: ゼロショット多言語テキスト読み上げ、音声クローニング、音声デザイン、多話者対話

テストでわかったこと: 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 分。

Claude Code、Codex、Cursor、および任意の MCP クライアントがクエリできる、オープンソースでローカルファーストな Granola/Otter の代替です。ミーティング、通話、ボイスメモをデバイス上で文字起こしし、自分が所有する Markdown に変換します。

テストでわかったこと: 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 分。

無料でオープンソースで拡張可能な、完全にオフラインで動作する音声認識アプリケーション。

テストでわかったこと: 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 分。

リアルタイムの無声音声認識ツール。

テストでわかったこと: 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 分。

Flutter 向けのオンデバイス AI: Android、iOS、Web、macOS、Windows、Linux で Gemma やその他の LLM、マルチモーダル、関数呼び出し、埋め込み、RAG、音声を提供します。

テストでわかったこと: 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 分。

VRCT(VRChat チャットボックス翻訳・文字起こし)

テストでわかったこと: 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 分。

オーディオブック、ポッドキャスト、ドキュメンタリー、映画、アニメーション動画向けの、ローカルモデル、クラウド API、編集可能なストーリーボードを備えた無料のオープンソース AI デスクトップアプリ。

テストでわかったこと: 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 分。

Amphion (/æmˈfaɪən/) は、オーディオ、音楽、音声生成のためのツールキットです。その目的は、再現可能な研究を支援し、ジュニア研究者やエンジニアがオーディオ、音楽、音声生成の研究開発の分野に着手できるようにすることです。

テストでわかったこと: 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 分。

Apple の MLX フレームワーク上に構築され、Apple Silicon 上で効率的な音声分析を提供する、テキスト読み上げ (TTS)、音声認識 (STT)、音声対音声 (STS) ライブラリです。

テストでわかったこと: 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 分。

ODS V3 プレリリース: 公式 V3 の起動に向けたパブリックテストと改良。PC、Mac、Linux ボックスをプライベート AI サーバーに変えます。

テストでわかったこと: 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 分。

自律的でコンテキストを認識する AI デスクトップコンパニオン。Python で構築され、リアルタイムの画面認識、カスタム ONNX 音声合成、アクティブウィンドウ追跡、リアクティブな表情を備えた動的なフローティング UI を特徴としています。

テストでわかったこと: 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 分。

長文音声、対話合成、音声デザイン、効果音、リアルタイムストリーミング TTS のためのオープンソースのモデルファミリーです。

テストでわかったこと: 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 分。

ElevenLabs API の公式の Python SDK

テストでわかったこと: 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 分。

GPT-Live に似た機能を持つ、デバイス上で動作するリアルタイムマルチモーダル AI

テストでわかったこと: 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 分。

抖音のライブコマース向け Windows ローカル AI Agent Studio。配信者発見、ライブ洞察、ライブ振り返り、ショートビデオコンテンツ演出を貫く統一インテリジェントワークフロー。

テストでわかったこと: 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 分。

ポータブルなローカル AI スタジオ。Windows、Linux、macOS 対応。画像生成、GGUF LLM、テキスト読み上げ、音声認識のためのゼロセットアップ GUI。

テストでわかったこと: Frontend deps installed, React UI builds and is served on localhost:1420, all 13 regression tests pass, server API endpoints respond correctly. 7 分。

Talking Head (3D): フルボディの 3D アバターを用いたリアルタイムのリップシンクのための JavaScript クラス。

テストでわかったこと: 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 分。

Apple Silicon 向けの高性能な OpenAI・Anthropic 互換 LLM 推論サーバー。ネイティブ MLX、連続バッチ処理、マルチモーダルモデル、MCP ツール呼び出し、Claude Code サポート。

テストでわかったこと: 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 分。

強力なテキスト読み上げ、画像生成、動画生成 API との連携を可能にする、MiniMax の公式 Model Context Protocol (MCP) サーバー。

テストでわかったこと: 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 分。

Microsoft の VibeVoice テキスト読み上げモデル向けの包括的な ComfyUI 統合であり、ComfyUI ワークフロー内で高品質な単一話者および複数話者の音声合成を直接実現します。

テストでわかったこと: 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 分。

OuteTTS モデルのインターフェース。

テストでわかったこと: 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 分。

Linux 向けネイティブ音声テキスト変換 - 高速、正確、プライベート、ハッカブルなシステム全体のディクテーション

テストでわかったこと: 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 分。

ボイスチャットアプリ

テストでわかったこと: 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 分。

Botium Speech Processing は、音声処理のためのツールです。

テストでわかったこと: 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 分。

Lobe TTS - 高品質で信頼性の高いサーバーとブラウザ向けの TTS/STT ライブラリ

テストでわかったこと: 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 分。

React Native Expo プロジェクト向けの音声認識

テストでわかったこと: 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 分。

Whisper と LLM （GPT、Claude など）を使用して、音声を文字起こし・翻訳し、LRC ファイル（字幕ファイル）に変換します。

テストでわかったこと: 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 分。

テストでわかったこと: 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 分。

Azure TTS API 向けのシンプルなテキスト読み上げクライアントです。

テストでわかったこと: 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 分。

Deepgram の公式 Python SDK。

テストでわかったこと: 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 分。

オープンソースの AI 面接アシスタント兼ミーティングコパイロット: Zoom、Google Meet、Teams の通話中にライブ回答、デバイス上での文字起こし、画面共有から隠れます。Cluely、Interview Coder、Final Round AI の無料の代替品で、Windows、macOS、Linux...

テストでわかったこと: 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 分。

Microsoft Edge Read Aloud API を使用するシンプルな Azure Speech Service モジュール。

テストでわかったこと: pnpm install and TypeScript build succeed, all 10 Jest tests pass using a local WebSocket mock of the Microsoft Edge Read Aloud API. 26 分。

AI ツールから、FFMPEG を使用した TikTok 動画作成、Microsoft Edge の読み上げ、OpenAI Whisper モデルまで。

テストでわかったこと: 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 分。

Sayna は、既存のエージェントフレームワークへのシームレスな統合を備えた、AI エージェント向けの統合音声レイヤーです。

Voicy (@voicybot) は、グループやプライベートチャットで音声メッセージをテキストに変換する Telegram ボットです。

テストでわかったこと: 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 分。

コンピューターやマイクの音声をリアルタイム翻訳字幕に変換します。

テストでわかったこと: 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 分。

ストリーミングおよびオンデバイス向けに最適化された Whisper モデル

テストでわかったこと: 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 分。

Claude Code、Cursor、Codex、Gemini CLI 向けのクロスプラットフォームなエージェントスキル 24 個: データベース、メッセージング、リサーチ、TTS、DevOps、Google Workspace

テストでわかったこと: 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 分。

VibeVoice TTS 用の ComfyUI カスタムノード。表現力豊かで、長文の、複数話者による会話音声。

テストでわかったこと: 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 分。

オープンソースの音声 AI SDK です。スタックを所有したいビルダー向けの Vapi/Retell 代替品です。4 行で AI エージェントに電話番号を付与: Python と TypeScript、MIT ライセンス、Twilio、Telnyx、Plivo。

テストでわかったこと: 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 分。

コンピューターまたはマイク音声からのリアルタイム翻訳字幕。

テストでわかったこと: 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 分。

:speech_balloon: /so.nus/ Node 用のオフラインのホットワード検出付き STT（音声テキスト変換）

テストでわかったこと: 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 分。

オープンソースの読み上げドキュメントリーダーサーバーで、高品質な TTS オプション、同期ハイライト、および EPUB、PDF、DOCX、TXT、MD 向けのオーディオブックエクスポートを備えています。

テストでわかったこと: 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 分。

感情豊かな音声とリアルなゼロショット音声クローンを実現するための ComfyUI ノードです。

テストでわかったこと: 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 分。

音声 AI ランタイムです。ローカルファーストの文字起こし、話者分離、TTS、音声クローニングを OpenAI 互換 API で提供します。

テストでわかったこと: 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 分。

Windows と macOS 向けの、プライバシー優先の AI ミーティングノート作成ツールです。無料で、オープンソース（MIT ライセンス）です。オンデバイスの Whisper/Parakeet による文字起こしと話者分離を行い、ミーティングボットは使用しません。Granola、Otter、Fireflies...

テストでわかったこと: 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 分。

ElevenLabs API 向けの公式 JavaScript (Node) ライブラリ。

テストでわかったこと: 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 分。

オープンソース、ローカルファーストのビデオエディタで、クリエイターと AI エージェントが同じ実際のタイムラインを編集します。

テストでわかったこと: 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 分。

Alfred 5 Workflow は、OpenAI Chat API を使用して GPT モデルと対話するためのものです。また、画像生成・編集・理解、音声からテキストへの変換、テキストから音声への合成も可能です。

テストでわかったこと: 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 分。

one パスで超リアルな対話を生成できる TTS モデル

テストでわかったこと: 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 分。

Speech Note Linux アプリ。オフラインの音声認識、音声合成、機械翻訳によるノート作成、読み取り、翻訳。

テストでわかったこと: 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 分。

プライベート RAG、自然言語によるデータアクセス、ツール呼び出しエージェント向けのセルフホスト型 AI ゲートウェイ。

テストでわかったこと: 検証できませんでした。どこで止まったかはログで確認できます。 28 分。

Azure の自然な TTS 音声を、SAPI 5 互換のあらゆるアプリケーションで利用できるようにします。

テストでわかったこと: 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 分。

AI エージェントに目と耳、そして検証可能な結果を提供します。Watch Skill は、ビデオ、オーディオ、スクリーンアクティビティを、検索可能でタイムスタンプ付きの証拠に変換し、モデルの意見ではなく、決定論的な契約で作業を証明します。DeepWatch は、DeepSeek Harness...

テストでわかったこと: watch-skill 1.4.3 installed with all extras; 2215 offline tests pass; ruff clean; CLI reports all dependencies operational; lint checks pass. 88 分。