Nodes do ComfyUI para geração de fala com o Fish Audio Drama 3, clonagem de voz, diálogos com vários falantes e marcações inline, além de transcrição nativa com Qwen3-ASR.
165+14 esta semana21PythonGPL-3.0Atualizado há 13 dias
aliyun/alibabacloud-bailian-speech-demo
Exemplos de código que mostram como chamar os modelos de fala do Alibaba Cloud Bailian para reconhecimento e síntese de fala e conversas por voz.
- Estrelas
- 429
- Forks
- 58
- Issues abertas
- 3
- Último commit
- há 5 dias
O que é?
Este repositório reúne exemplos de código para chamar os modelos de fala do Alibaba Cloud Bailian (Model Studio) por meio do DashScope SDK. Ele abrange conversão de fala em texto com Qwen-Audio-3.0-ASR e Fun-ASR, conversão de texto em fala com Qwen-Audio-3.0-TTS e CosyVoice, clonagem de voz e geração de música a partir de prompts ou letras.
Além do reconhecimento e da síntese básicos, os exemplos mostram como combinar modelos de fala com modelos de linguagem grandes para bate-papo por vídeo, conversas por voz, resumos e perguntas e respostas sobre áudio, além de tradução de fala. Entre os exemplos estão reconhecimento em streaming com suporte a palavras-chave e contexto, transcrição assíncrona de gravações longas com separação de locutores e diálogo por voz em tempo real via WebSocket.
Cada exemplo fica em seu próprio diretório, com instruções de execução e dependências específicas. Para configurar o projeto, é preciso ter uma conta Alibaba Cloud, uma chave de API do Bailian e o DashScope SDK. O código é distribuído sob a licença MIT.
Recursos principais
- 01Reconhecimento de fala com Qwen-Audio-3.0-ASR e Fun-ASR, incluindo reconhecimento em streaming e transcrição de arquivos
- 02Conversão de texto em fala com controle por instruções sobre estilo de voz, dialeto e emoção
- 03Clonagem de voz e síntese com uma voz clonada
- 04Geração de música a partir de prompts ou letras personalizadas
- 05Diálogo por voz em tempo real via WebSocket com chamadas de função
Casos de uso
- Adicionar legendas ou transcrição em tempo real a reuniões e transmissões ao vivo
- Criar bots de voz para atendimento ao cliente com vozes clonadas ou estilizadas
- Transcrever e analisar gravações de chamadas ou reuniões em lote
- Gerar narrações ou locuções multilíngues a partir de texto ou da saída de um LLM
Em coleções
Tópicos
Perguntas frequentes
- O que é alibabacloud-bailian-speech-demo?
- Exemplos de código que mostram como chamar os modelos de fala do Alibaba Cloud Bailian para reconhecimento e síntese de fala e conversas por voz. Este repositório reúne exemplos de código para chamar os modelos de fala do Alibaba Cloud Bailian (Model Studio) por meio do DashScope SDK. Ele abrange conversão de fala em texto com Qwen-Audio-3.0-ASR e Fun-ASR, conversão de texto em fala com Qwen-Audio-3.0-TTS e CosyVoice, clonagem de voz e geração de música a partir de prompts ou letras.
- alibabacloud-bailian-speech-demo é gratuito? Qual é a licença?
- alibabacloud-bailian-speech-demo é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- alibabacloud-bailian-speech-demo ainda é mantido?
- Manutenção ativa. O último commit de alibabacloud-bailian-speech-demo foi em 2 de nov. de 2026.
- Para que posso usar alibabacloud-bailian-speech-demo?
- Adicionar legendas ou transcrição em tempo real a reuniões e transmissões ao vivo Criar bots de voz para atendimento ao cliente com vozes clonadas ou estilizadas Transcrever e analisar gravações de chamadas ou reuniões em lote Gerar narrações ou locuções multilíngues a partir de texto ou da saída de um LLM
- Onde consigo alibabacloud-bailian-speech-demo?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/aliyun/alibabacloud-bailian-speech-demo
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Família open source de modelos de voz com IA da Microsoft, com reconhecimento de fala de longa duração (ASR), text-to-speech com vários falantes (TTS) e modelos de TTS em streaming em tempo real.
56,4 mil+1,4 mil esta semana6,4 milPythonMITAtualizado mês passado
Sistema open source de text-to-speech com clonagem de voz, controle de emoção em linguagem natural e geração com vários falantes, baseado em modelos no estilo LLM.
33,6 mil+103 esta semana2,9 milPythonOtherAtualizado há 5 dias
Biblioteca Python que transforma texto, generators e fluxos de tokens de LLM em fala com baixa latência, usando diversos mecanismos TTS locais e na nuvem.
4,1 mil415PythonMITBem mantidoAtualizado ontem
Projeto de síntese de fala baseado em VITS2 que adiciona BERT multilíngue para melhorar a prosódia e a pronúncia da fala sintetizada.
8,8 mil1,3 milPythonAGPL-3.0Atualizado há 5 dias
Kit open source da NVIDIA para criar, ajustar e implantar modelos de IA de fala, incluindo reconhecimento de fala (ASR), síntese de fala (TTS) e LLMs de fala.
18,7 mil+54 esta semana3,7 milPythonApache-2.0Atualizado há 19 horas