Shows / Kana & Mari's SoundRepos (Japanese)

Kana & Mari's SoundRepos (Japanese)
GitHubの音楽・音声AIリポジトリを毎日1本、約2分で紹介。TTS(音声合成)、MIDI、オーディオ処理など、「音」にまつわるオープンソースの注目プロジェクトをKanaとMariが声でナビゲートします。
※この番組は日本語でお届けします。
Kana と Mari のプロフィールはこちら: Kana – Newbie Esports Caster: https://yukichi.fun/jp/mchc/token/22/Kana_%E2%80%93_Newbie_Esports_Caster Mari – Newbie Esports Analyst: https://yukichi.fun/jp/mchc/token/23/Mari_%E2%80%93_Newbie_Esports_Analyst ※ 本番組の原稿は生成 AI を用いて自動生成されています。内容には誤りを含む可能性がありますので参考情報としてお楽しみください。
Episodes
Kana & Mari's SoundRepos (Japanese)sunshine0523/MNNServer|Androidで動くMNN AIサーバー|GitHub
MNNモデルをAndroid端末上で実行し、OpenAI API風のインターフェースで外部アプリから利用できるサーバーアプリです。テキスト生成、埋め込み、音声認識、オフライン音声合成に対応し、モデルのダウンロード・管理や外部ポート公開を提供します。 関連…
Kana & Mari's SoundRepos (Japanese)vericontext/vibeframe|AI動画を企画から生成するCLI|GitHub
VibeFrameは、文章のブリーフからストーリーボード、素材生成、シーン構成、ナレーション、レンダリングまでを行い、完成したMP4動画を作成するCLIおよびMCPサーバーです。Seedance、Runway、Veo、Klingなどの外部生成モデルをユーザー自身のAPIキーで利用し、ドライランと最大費用上限、構造化され…
Kana & Mari's SoundRepos (Japanese)Ali-hey-0/audio-ai-field-guide|音声人工知能の実践ガイド|GitHub
音声AI・音響機械学習を、波形処理からTransformer、ASR、音声分類、TTS、実運用パイプラインまで体系的に解説する学習ガイドです。Hugging…
Kana & Mari's SoundRepos (Japanese)siva-sub/NekoSpeak|オフライン音声合成エンジン|GitHub
NekoSpeakは、Android向けの高性能なオフラインText-to-Speechエンジンです。Pocket-TTS、Piper、Kokoro、Kitten TTSなどのONNXモデルを端末上で実行し、音声クローニング、話者管理、システム全体のTTS連携、適応型ストリーミングを提供します。 関連…
Kana & Mari's SoundRepos (Japanese)akiani/aidialer|リアルタイムAI電話自動応答|GitHub
Twilioの電話回線と音声AIサービスを連携し、低遅延で割り込み可能なAI電話発信・応答システムを構築するリポジトリです。音声認識、LLMによる会話制御、音声合成、通話転送・終了、文字起こし表示をFastAPIとStreamlitで提供します。なお、Deepgram・ElevenLabs・OpenAIのAPI変更によ…
Kana & Mari's SoundRepos (Japanese)tabahi/bournemouth-forced-aligner|音声を音素単位で強制アライン|GitHub
Bournemouth Forced Alignerは、音声ファイルと発話テキストを入力として、各音素・単語の発話位置をミリ秒単位で推定する多言語強制アライメントツールです。CUPEニューラルモデルとespeak-ngによる音素化を使い、JSON、Praat…
Kana & Mari's SoundRepos (Japanese)ahpxex/read-aware|AI搭載電子書籍リーダー|GitHub
ReadAwareは、EPUBやPDFなど多様な形式に対応したローカルファーストの電子書籍リーダーです。読書中のハイライト、メモ、会話をもとに記憶を構築する単一AIエージェントと、機能を拡張できるサンドボックス型プラグインシステムを備えています。 関連…
Kana & Mari's SoundRepos (Japanese)EveningStudy/asmr-dubber|音声動画を中国語に吹き替え|GitHub
日本語または英語の音声・動画を認識、翻訳し、中国語の字幕や音声へ変換するローカル向けダビングツールです。原音を保持したまま、ASR、翻訳、音声合成、混音を段階的に実行でき、字幕やタイミングを手動校正できます。 関連: EveningStudy/asmr-dubber/音声動画を中国語に吹き替え/GitHub
Kana & Mari's SoundRepos (Japanese)jianchang512/pyvideotrans|動画を翻訳して吹き替えるAI|GitHub
pyVideoTransは、動画や音声の音声認識、字幕生成・翻訳、AI音声合成、吹き替え、音声と映像の同期までを一括して行うオープンソースの動画翻訳ツールです。ローカルモデルと各種オンラインAPIに対応し、GUI、CLI、WebUI、Dockerによる実行環境を提供します。 関連…
Kana & Mari's SoundRepos (Japanese)Mag1cFall/AIStudio2API|GitHub
Google AI StudioのWebプロトコルを変換し、OpenAI Chat Completions・Responses、Anthropic Messages、Gemini…
Kana & Mari's SoundRepos (Japanese)scorbo2/TalkWithMe|ローカルAIグループチャット|GitHub
TalkWithMeは、ローカルで動作するllama.cppサーバーと接続して利用する、単一ユーザー向けのチャットWebアプリケーションです。複数のAIペルソナによるグループチャット、チャットルーム、会話履歴保存、任意のTTS・STT・MCPツール連携に対応しています。 関連…
Kana & Mari's SoundRepos (Japanese)OpenMOSS/MOSS-TTS|高品質な音声と効果音を生成するAI|GitHub
MOSS-TTS Familyは、音声合成・音声クローニング・多話者対話・リアルタイム音声生成・音声設計・環境音生成を扱うオープンソースAIモデル群です。PyTorchベースの推論に加え、llama.cppとONNX…
Kana & Mari's SoundRepos (Japanese)hhguo/MSMC-TTS|高品質な音声合成AI|GitHub
MSMC-TTSは、マルチステージ・マルチコードブックVQによる高品質なニューラル音声合成システムの実装です。MSMC-VQ-GANベースのオートエンコーダーで音声表現を学習し、マルチステージ予測器でテキストから音声を合成できます。CSMSCなどの中国語データセットを用いた学習、マルチGPU学習、推論に対応しています。…
Kana & Mari's SoundRepos (Japanese)adelacvg/ttts|ゼロショット音声合成AI|GitHub
DetailTTSは、テキストと参照音声から話者性を保った音声を生成するゼロショット音声合成システムです。VITS系のVQVAEと音声トークナイザーを組み合わせ、英語・中国語・日本語・韓国語に対応し、学習・推論・ファインチューニングを提供します。 関連…
Kana & Mari's SoundRepos (Japanese)declare-lab/jamify
JAMは、歌詞から楽曲を生成する530MパラメータのRectified Flowベース音楽生成モデルです。単語・音素レベルのタイミングや発音 duration、全体の曲長、音声またはテキストによるスタイルを細かく制御でき、推論だけでなく事前学習、教師ありファインチューニング、DPOによる学習にも対応しています。
Kana & Mari's SoundRepos (Japanese)zcbacxc/movie-narrator
Movie Narratorは、映画情報や映像素材を入力として、LLMで映画 recap(あらすじ紹介)台本を生成し、音声ナレーション、字幕、BGM、映像編集を組み合わせた完成動画を自動生成するPython製ツールキットです。CLIを中心に、16段階のパイプライン、複数候補の比較、参照動画のスタイル模倣、多言語字幕、Q…
Kana & Mari's SoundRepos (Japanese)mo-tunn/OpenGuider
OpenGuiderは、ユーザーのPC上で実際のUI操作を支援するElectron製のデスクトップAIアシスタントです。チャット、タスク計画・再計画、スクリーンショット解析、座標付きポインター案内、音声入出力、セッション履歴、プラグインおよびブラウザ自動化機能を提供します。複数のLLMプロバイダーやローカルモデルにも対…
Kana & Mari's SoundRepos (Japanese)vecartier/cc-beeper
CC-Beeperは、Claude Codeの実行状況をデスクトップ上に表示するネイティブmacOS向けフローティングページャーです。ローカルHTTPフックで複数セッションを監視し、完了・エラー・権限要求・入力待ちなどの状態表示、権限の自動承認モード、グローバルホットキー、音声入力・読み上げを提供します。
Kana & Mari's SoundRepos (Japanese)p-groarke/wsay
wsayは、macOSの「say」に相当するWindows向けのコマンドライン音声合成ツールです。Windows Speech APIを利用してテキストを音声再生し、WAVファイル出力、音声・再生デバイス選択、クリップボード・ファイル・パイプ入力、Speech…
Kana & Mari's SoundRepos (Japanese)petercunha/tts
Amazon PollyおよびGoogle Cloud WaveNetを利用して、入力したテキストをTwitchなどの配信用音声として読み上げるWebアプリケーションです。React/Gatsby製のフロントエンドで音声・テーマを選択でき、Node.js/Express製のバックエンドがTTS生成、レート制限、ボット対…
Kana & Mari's SoundRepos (Japanese)0xShug0/audio.cpp
audio.cppは、ggmlを基盤とした高性能なネイティブC++音声推論フレームワークです。TTS、音声クローニング、音声変換、ASR、話者…
Kana & Mari's SoundRepos (Japanese)tsensei/OpenReels
OpenReelsは、入力したトピックから、リサーチ、台本作成、音声合成、AI画像・動画・音楽生成、字幕付与、シーン遷移、品質評価までを自動実行し、YouTube…
Kana & Mari's SoundRepos (Japanese)Aivis-Project/AivisSpeech-Engine
AivisSpeech Engineは、VOICEVOX ENGINEをベースに開発された日本語音声合成エンジンです。AIVMX形式のStyle-Bert-VITS2系モデルをONNX Runtimeで推論し、VOICEVOX互換のHTTP APIを通じて感情豊かな音声を生成します。
Kana & Mari's SoundRepos (Japanese)JollyToday/GhostCut-auto_video_translation
GhostCut(国際版ブランド名:Weydub)は、AIを活用した動画・画像のローカライズおよび編集サービスです。OCRによる動画内文字・字幕の除去と翻訳、ASR/TTSによる音声翻訳・吹き替え、動画のリメイク・重複回避、画像翻訳などを提供し、これらの機能をAPI経由で組み合わせて利用できます。リポジトリには主にAP…
Kana & Mari's SoundRepos (Japanese)dengxibo/sumatrapdf-plus
SumatraPDFをベースにした非公式のWindows向け文書ビューア「Sumatra PDF Plus」です。PDF、EPUB、MOBI、DjVu、CBZ/CBRなどを閲覧でき、中国語電子書籍向けの表示改善、オフライン辞書、テーマ切り替え、スマートPDFダークモード、ローカルOCR、TTS朗読などを追加しています。
Kana & Mari's SoundRepos (Japanese)ChenShuo2004/cs-board
SRT字幕と参考音声をもとに、暖色系の紙背景を使った白板手描きアニメーション動画を制作するためのツールです。字幕解析、分鏡・配图策略の作成、画像領域の注釈編集、流れる筆跡によるMP4レンダリング、複数シーンの結合に対応しています。また、実際のナレーション時間に同期する動的インフォグラフィック制作機能も備えています。
Kana & Mari's SoundRepos (Japanese)djdevil/AlertTicker-Card
Home AssistantのLovelaceダッシュボード向けカスタム通知カード「AlertTicker…
Kana & Mari's SoundRepos (Japanese)streamcoreai/streamcore-server
StreamCoreは、AI音声エージェント向けのリアルタイムメディア基盤です。WebRTC/WHIPによる音声通信、NAT…
Kana & Mari's SoundRepos (Japanese)kk43994/kkclaw
KKClawは、OpenClawおよびHermes Agentに対応したElectron製のデスクトップAIペットアプリです。流体ガラス球体のアバター、14種類の感情表現、音声合成・音声クローン、字幕、Gateway監視、モデル切り替え、セットアップウィザードなどを提供し、AIに視覚・聴覚的なデスクトップ上の身体性を与…
Kana & Mari's SoundRepos (Japanese)Floe-Labs/floe-guard
floe-guardは、AIエージェントのLLM、音声処理、ツール呼び出しなどの支出をローカルで計測し、設定したUSD予算を超える次の呼び出しを事前にブロックする予算ゲートライブラリです。PythonとTypeScriptに対応し、OpenAI、Anthropic、Gemini、LangChain、LangGraph、…
Kana & Mari's SoundRepos (Japanese)QuantiusBenignus/BlahST
BlahSTは、Linux上の任意の編集可能なテキストフィールドへ、キーボードショートカットで音声入力できる軽量な音声認識ツールです。whisper.cppまたはwhisperfileによるオフライン・ネットワーク音声認識に加え、多言語翻訳、連続ディクテーション、ローカルLLMとの音声チャット、校正・翻訳、Piperに…
Kana & Mari's SoundRepos (Japanese)makerjackie/zhtts
ZhTTSは、中国語テキストをCPU上でリアルタイムに音声合成するTTSデモです。BakerProcessorによる中国語テキスト正規化・ピンイン変換の後、FastSpeech2またはTacotron2でメルスペクトログラムを生成し、MB-MelGANで24kHzのWAV音声へ変換します。Python…
Kana & Mari's SoundRepos (Japanese)ishandutta2007/Awesome-Text-to-Speech
AI音声生成・Text-to-Speech(TTS)に関するリソースを体系的にまとめたAwesome…
Kana & Mari's SoundRepos (Japanese)msrbuilds/voice-studio
Voice Studio by MSRは、複数のオープンソースTTSモデルをローカルで切り替えて利用できるオフラインWebアプリケーションです。ポッドキャスト編集、テキスト読み上げ、Whisperによる音声文字起こし・字幕出力、音声の吹き替え、翻訳、音声クローン、キャッシュ管理などを提供します。
Kana & Mari's SoundRepos (Japanese)xenova/kokoro-web
Kokoro Webは、ブラウザ上でKokoro音声合成モデルを実行し、入力したテキストを自然な音声へ変換するWebアプリケーションです。音声の選択、再生速度の調整、ストリーミング生成、チャンク単位の再生、一時停止、生成音声のWAVダウンロードに対応しています。WebGPUまたはWASMを利用して推論をクライアント側で…
Kana & Mari's SoundRepos (Japanese)sgl-project/sglang-omni
SGLang-Omniは、マルチモーダル、音声、音声合成(TTS)モデル向けのマルチステージ推論・サービングランタイムです。前処理、エンコーダ、自己回帰生成、デコーダ、ボコーダなどを分離して管理し、共有メモリ・NCCL・NIXL・Mooncakeによるステージ間通信と、OpenAI互換APIを提供します。音声生成・スト…
Kana & Mari's SoundRepos (Japanese)FelixWaweru/elevenlabs-node
Eleven Labs APIを利用して、テキストを音声に変換するNode.js向けパッケージです。音声ファイルへの保存や音声ストリームの取得に加え、音声・モデル・ユーザー情報の取得、音声設定の編集や音声削除などのAPI操作を提供します。
Kana & Mari's SoundRepos (Japanese)WelkinYang/Learn2Sing2.0
Learn2Sing 2.0は、歌唱データを持たない対象話者向けに、歌唱教師のデータから高品質な歌声を合成する音声合成研究の公式実装およびデモページです。拡散モデルによる音響特徴復元と相互情報量制約による話者・歌唱スタイル表現の分離を利用し、学習・推論用スクリプトと生成音声のブラウザ再生デモを提供します。
Kana & Mari's SoundRepos (Japanese)roatienza/efficientspeech
EfficientSpeechは、組み込み機器やCPU上で高速に動作する軽量なニューラル音声合成(TTS)モデルです。テキストを音素列へ変換し、ピラミッド型Transformer/U-Net風のモデルでメルスペクトログラムを生成した後、HiFi-GANボコーダーで音声波形を合成します。学習、推論、WAV出力、ONNXお…
Kana & Mari's SoundRepos (Japanese)zeropointnine/tts-audiobook-tool
tts-audiobook-toolは、EPUBやテキストファイルから高品質なオーディオブックを生成する生成AIベースのテキスト音声合成ツールです。複数のTTSモデル、音声クローン、音声認識による生成結果の検証・再試行、音声編集・連結・音量正規化、M4B/FLAC出力に対応しています。生成音声と単語単位のタイミング情報…
Kana & Mari's SoundRepos (Japanese)mx-space/core
Mix Spaceは、個人ブログやクリエイター向けWebサイトのためのAI対応ヘッドレスCMSスタックを構築するモノレポです。NestJS製コアサーバー、React製管理画面、iOSクライアント、APNsプッシュ通知リレー、テレメトリ収集基盤、および各種共有SDK・CLI・エディタ関連パッケージを提供します。
Kana & Mari's SoundRepos (Japanese)Kyubyong/speaker_adapted_tts
事前学習済みのTTSモデルを利用し、わずか1分程度の音声サンプルで話者適応を行う実験プロジェクトです。約10分のファインチューニングで、Nick Offerman、Kate Winslet、Modern…
Kana & Mari's SoundRepos (Japanese)ivanvovk/durian-pytorch
DurIAN(Duration Informed Attention Network)の実装で、音素ごとの継続時間・アライメント情報を利用したテキスト音声合成(TTS)モデルを提供します。バックボーン音声合成モデルと継続時間予測モデルを同時学習でき、LJSpeechデータセット向けの学習、検証、チェックポイント保存、推…
Kana & Mari's SoundRepos (Japanese)resemble-ai/resemble-unity-text-to-speech
Resembleの音声生成APIとUnityを連携させるためのUnityプラグインです。生成音声や音素・タイミング情報をUnity内で扱い、音素テーブルを利用したシェーダー制御やBlendShapeによるキャラクターのリップシンクを実現します。サンプルシーンや音声アセットも含まれています。
Kana & Mari's SoundRepos (Japanese)tugstugi/pytorch-dc-tts
Guided Attentionを用いた深層畳み込みネットワークベースのText-to-Speech(TTS)システムをPyTorchで実装しています。テキストからメルスペクトログラムを生成するText2Melモデルと、メルスペクトログラムから線形スペクトログラムを高解像度化するSSRNモデルの学習・音声合成・データ前…
Kana & Mari's SoundRepos (Japanese)nobodywho-ooo/nobodywho
NobodyWhoは、llama.cppを基盤としてGGUF形式の大規模言語モデルを端末上でオフライン推論するRust製の推論エンジンです。ストリーミングチャット、会話コンテキスト管理、文法ベースのツール呼び出し、埋め込み・再ランキング、画像・音声入力、音声合成およびモデルダウンロードを提供し、Kotlin、Swift…
Kana & Mari's SoundRepos (Japanese)Saganaki22/ComfyUI-VoxCPM2
ComfyUI上でVoxCPM2を利用した多言語Text-to-Speech機能を提供するカスタムノードです。音声デザイン、参照音声による可 controllable/ultimate voice…
Kana & Mari's SoundRepos (Japanese)OpenBMB/UltraEval-Audio
音声基盤モデルの評価を統合的に行うためのオープンソース・フレームワークです。音声理解(ASR/AST/感情認識など)、音声生成(Speech-to-Speech/TTS)、音声コーデック評価を含む複数ベンチマークをまとめ、データセット管理、評価指標の実行、再現実験、断点再開や並列実行まで支援します。
Kana & Mari's SoundRepos (Japanese)ServiceNow/eva
EVAは、会話型音声エージェントをエンドツーエンドで評価するためのオープンソースフレームワークです。音声入力から会話の完了度(Accuracy)と対話体験(Experience)を自動採点し、ボット同士の音声対話、ツール実行、検証、メトリクス集計までを一連で行います。航空・医療HR・ITSMなどの企業向けシナリオデータ…
Kana & Mari's SoundRepos (Japanese)aahl/zai-tts
ZAI/GLMのTTS(音声合成)APIを提供するプロキシ/ラッパー系のリポジトリです。Docker、CLI、Home Assistant連携を通じて、智谱TTSの内蔵音色やクローン音色を使った音声合成をローカル環境から利用できるようにしています。
Kana & Mari's SoundRepos (Japanese)team-telnyx/ai
TelnyxのAI向け開発支援リポジトリで、AIエージェントやAI-first開発者がTelnyx APIを使いやすくするためのツール群をまとめています。主な内容は、Python/TypeScriptのAgent Toolkit、エージェント向けCLI、Claude…
Kana & Mari's SoundRepos (Japanese)keonlee9420/StyleSpeech
Meta-StyleSpeech / StyleSpeech の PyTorch 実装で、マルチスピーカー対応のテキスト音声合成(TTS)を学習・推論するためのリポジトリです。LibriTTS などのデータセットを前処理し、メタ学習を含む学習、単文・バッチ推論、TensorBoard での可視化を行えます。
Kana & Mari's SoundRepos (Japanese)estebanstifli/LocalText2Voice
LocalText2Voice は、長文テキストを AI 音声で読み上げて MP3 のオーディオブックやポッドキャスト風音声を作成するデスクトップアプリです。Piper などのローカル TTS エンジンを中心に、必要に応じて OpenAI / ElevenLabs / Gemini / Azure などのクラウド…
Kana & Mari's SoundRepos (Japanese)Big-Sh0t114/NachoBot
NachoBot は、長時記憶・多模態認識を備えた多プラットフォーム向けの AI 虚拟生命/チャットボット基盤です。Bilibili、Discord、QQ(NapCat)などに対応し、LLM、ASR/VLM、本地TTS、Live2D連携、メッセージ仲介や予約通知などを統合して動作します。
Kana & Mari's SoundRepos (Japanese)kizuna-ai-lab/sokuji
Sokuji は、会議や通話中の音声をリアルタイムで双方向翻訳するためのアプリです。Electron デスクトップアプリと Chrome/Edge ブラウザ拡張の両方を提供し、クラウドAPI(OpenAI、Gemini など)と、WASM/WebGPU を使った完全オフラインのローカル推論の両方に対応しています。
Kana & Mari's SoundRepos (Japanese)codedogQBY/ReadAny
ReadAny は、デスクトップとモバイル向けのローカルファーストなAI電子書籍リーダーです。RAGチャット、意味検索、ハイライト、TTS、WebDAV同期などを備え、書籍をオフライン中心で管理しながらAIで質問・要約・検索できることを目的としています。
Kana & Mari's SoundRepos (Japanese)katipally/openlive
OpenLiveは、AIエージェント向けの音声・視覚レイヤーを提供するデスクトップアプリです。ローカル環境で音声入力、音声認識、会話の切り替え、音声合成、カメラ/画面共有、バージインを統合し、Claude CodeやCodexなどのコーディングエージェントとも連携できます。
Kana & Mari's SoundRepos (Japanese)ciddwd/overlay-translator
Android向けの画面リアルタイム翻訳アプリです。MediaProjectionやShizukuでスクリーンショットを取得し、端末内/ローカルHTTP/クラウドのOCRで文字認識した後、LLMや機械翻訳で翻訳し、結果を画面上に重ね表示したり音声読み上げしたりできます。ゲーム、漫画、ビジュアルノベルのような画面上テキス…
Kana & Mari's SoundRepos (Japanese)huggingface/optimum-intel
Transformers、Diffusers、Sentence Transformers、timm と OpenVINO をつなぐ Intel 向け最適化ライブラリです。モデルを OpenVINO IR へ変換し、推論や量子化(INT8/INT4 など)を通じて Intel…
Kana & Mari's SoundRepos (Japanese)kigner/audio.cpp-webui
audio.cpp は、ggml 上に構築された高性能な C++ ベースの音声推論フレームワークです。TTS、ASR、音声変換、話者分離、VAD、音楽生成などを共通ランタイムで扱い、CLI・サーバー・WebUI からローカル実行できるようにしています。