Nodos de ComfyUI para convertir texto a voz con Fish Audio Drama 3, clonar voces y generar diálogos con varios hablantes e indicaciones en línea, además de transcribir con Qwen3-ASR.
165+14 esta semana21PythonGPL-3.0Actualizado hace 14 días
aliyun/alibabacloud-bailian-speech-demo
Código de ejemplo para llamar a los modelos de voz de Alibaba Cloud Bailian para reconocimiento y síntesis de voz, y chat por voz.
- Estrellas
- 429
- Forks
- 58
- Issues abiertos
- 3
- Último commit
- hace 5 días
¿Qué es?
Este repositorio reúne código de ejemplo para llamar a los modelos de voz de Alibaba Cloud Bailian (Model Studio) mediante el SDK de DashScope. Incluye conversión de voz a texto con Qwen-Audio-3.0-ASR y Fun-ASR, conversión de texto a voz con Qwen-Audio-3.0-TTS y CosyVoice, clonación de voz y generación de música a partir de instrucciones o letras.
Además del reconocimiento y la síntesis básicos, los ejemplos muestran cómo combinar modelos de voz con modelos de lenguaje grandes para chatear sobre videos, mantener conversaciones por voz, resumir audio y responder preguntas sobre él, y traducir voz. Entre los ejemplos se incluyen reconocimiento en streaming con compatibilidad para palabras clave y contexto, transcripción asíncrona de grabaciones largas con separación de hablantes y diálogo por voz en tiempo real basado en WebSocket.
Cada ejemplo está en su propio directorio e incluye instrucciones de ejecución y dependencias. Para configurar el proyecto se necesita una cuenta de Alibaba Cloud, una clave de API de Bailian y el SDK de DashScope. El código se distribuye bajo la licencia MIT.
Funciones clave
- 01Reconocimiento de voz con Qwen-Audio-3.0-ASR y Fun-ASR, incluida la transcripción en streaming y de archivos
- 02Conversión de texto a voz con control mediante instrucciones del estilo de voz, el dialecto y la emoción
- 03Clonación de voz y síntesis con una voz clonada
- 04Generación de música a partir de instrucciones o letras personalizadas
- 05Diálogo por voz en tiempo real mediante WebSocket con llamadas a funciones
Casos de uso
- Añadir subtítulos en tiempo real o transcripciones a reuniones y transmisiones en vivo
- Crear bots de voz para atención al cliente con voces clonadas o personalizadas
- Transcribir por lotes y analizar grabaciones de llamadas o reuniones
- Generar narraciones o locuciones multilingües a partir de texto o de la salida de un LLM
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es alibabacloud-bailian-speech-demo?
- Código de ejemplo para llamar a los modelos de voz de Alibaba Cloud Bailian para reconocimiento y síntesis de voz, y chat por voz. Este repositorio reúne código de ejemplo para llamar a los modelos de voz de Alibaba Cloud Bailian (Model Studio) mediante el SDK de DashScope. Incluye conversión de voz a texto con Qwen-Audio-3.0-ASR y Fun-ASR, conversión de texto a voz con Qwen-Audio-3.0-TTS y CosyVoice, clonación de voz y generación de música a partir de instrucciones o letras.
- ¿alibabacloud-bailian-speech-demo es gratuito? ¿Qué licencia tiene?
- alibabacloud-bailian-speech-demo es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿alibabacloud-bailian-speech-demo sigue mantenido?
- Mantenimiento activo. El último commit de alibabacloud-bailian-speech-demo fue el 2 nov 2026.
- ¿Para qué puedo usar alibabacloud-bailian-speech-demo?
- Añadir subtítulos en tiempo real o transcripciones a reuniones y transmisiones en vivo Crear bots de voz para atención al cliente con voces clonadas o personalizadas Transcribir por lotes y analizar grabaciones de llamadas o reuniones Generar narraciones o locuciones multilingües a partir de texto o de la salida de un LLM
- ¿Dónde consigo alibabacloud-bailian-speech-demo?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/aliyun/alibabacloud-bailian-speech-demo
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Familia open source de modelos de voz con IA de Microsoft: reconocimiento de voz de larga duración (ASR), text-to-speech (TTS) para varios hablantes y TTS en streaming en tiempo real.
56,7 mil+1,6 mil esta semana6,4 milPythonMITActualizado el mes pasado
Sistema open source de texto a voz con clonación de voz, control de emociones en lenguaje natural y generación multivoz, basado en modelos de tipo LLM.
33,6 mil+100 esta semana2,9 milPythonOtherActualizado hace 5 días
Biblioteca de Python que convierte texto, generadores y flujos de tokens de LLM en voz con baja latencia, usando motores TTS locales y en la nube.
4,1 mil415PythonMITBien mantenidoActualizado ayer
Proyecto de síntesis de voz basado en VITS2 que incorpora BERT multilingüe para mejorar la prosodia y la pronunciación del habla generada.
8,8 mil1,3 milPythonAGPL-3.0Actualizado hace 5 días
Toolkit de código abierto de NVIDIA para crear, ajustar y desplegar modelos de IA de voz, incluidos reconocimiento de voz (ASR), texto a voz (TTS) y LLM de voz.
18,7 mil+50 esta semana3,7 milPythonApache-2.0Actualizado ayer