Reson8/Rumble-2-Flash là một mô hình Automatic Speech Recognition (ASR) mới trên Hugging Face, được tối ưu cho việc chuyển đổi giọng nói thành văn bản nhanh và chính xác. Nó có thể được tích hợp vào các ứng dụng chat, trợ lý ảo hoặc công cụ nhận diện ngôn ngữ. Model được phát hành với mã nguồn mở, dễ dàng tùy chỉnh và triển khai.
Mô hình audio-to-audio voice-isolator từ Inworld, có thể tách tiếng ồn và làm rõ âm thanh. Công cụ thú vị cho xử lý âm thanh bằng AI.
🧩 Chức năng: Giọng nói / TTS — đọc văn bản, nhân bản giọng, lồng tiếng · Hậu kỳ & ghép (ComfyUI, upscale, nội suy khung, phụ đề) · Tự động trọn gói — từ kịch bản ra video thành phẩm
Workflow tự động hóa từ script đến xuất bản video lên Telegram, tích hợp visual media pipeline. Giúp content creator giảm thiểu thao tác thủ công, tăng tốc độ đăng bài. Mã nguồn mở, có thể tùy biến cho các nền tảng khác.
🧩 Chức năng: Giọng nói / TTS — đọc văn bản, nhân bản giọng, lồng tiếng · Hậu kỳ & ghép (ComfyUI, upscale, nội suy khung, phụ đề) · Tự động trọn gói — từ kịch bản ra video thành phẩm
CapCap là ứng dụng Windows hỗ trợ toàn diện việc localizing và lồng tiếng video ngắn, tích hợp các tính năng transcription, dịch thuật, tạo giọng nói và chỉnh sửa timeline. Công cụ này cực kỳ hữu ích cho việc sản xuất nội dung đa ngôn ngữ hoặc làm MMO video.
Mô hình audio-to-audio Haru-4B được đăng tải trên HuggingFace, có thể áp dụng cho các ứng dụng âm thanh real-time.
🧩 Chức năng: Giọng nói / TTS — đọc văn bản, nhân bản giọng, lồng tiếng
VieNeu-TTS là công cụ chuyển văn bản thành tiếng Việt với khả năng nhân bản giọng nói tức thì, chạy trên thiết bị, suy luận CPU thời gian thực và chất lượng âm thanh 48kHz. Phù hợp cho các ứng dụng cần TTS tiếng Việt chất lượng cao offline.
🧩 Chức năng: Giọng nói / TTS — đọc văn bản, nhân bản giọng, lồng tiếng
VoxMel: Wavelet-Factorized Autoregressive Mel-Spectrogram Modeling for Zero-Shot Speech Synthesis
Continuous autoregressive TTS relies on an acoustic target that enables stable next-latent modeling while preserving fine-grained acoustic details. While existing approaches employ learned compressed representations (e.g., continuous VAE latents) to render prediction tractable, t…
arXiv:2611.14965v1 Announce Type: new Abstract: Parallel test-time scaling (TTS) has been shown to enhance reasoning in large language models by generating and aggregating multiple independent reasoning paths. Internal confidence scores can further improve this process by identi…
Posted by Alexander A. Shvedov on Nov 18 Product: GPAC (MP4Box) Affected: GPAC < 26.07.0 Reproduced on 26.03-DEV-rev329-g8f5b30243-master Commit 8f5b302439e9ac08f92faeef18c1d97cc77698bf Fixed: 25081b9610477fc8de48d2f1cadd3fd232a9dcbc CVE: …
A Lack of ownership verification on the Hugging Face platform allowed researchers to take control of Kokoro, a text-to-speech model used in projects from Google, NVIDIA, AMD, Intel, and Amazon Web Services. [...]
🧩 Chức năng: Giọng nói / TTS — đọc văn bản, nhân bản giọng, lồng tiếng
Clone your own voice on your own computer: speak any text in 60+ languages and dub videos into another language in your voice. Fully local. Early version.
A Lack of ownership verification on the Hugging Face platform allowed researchers to take control of Kokoro, a text-to-speech model used in projects from Google, NVIDIA, AMD, Intel, and Amazon Web Services. [...]