本地运行的忠诚个人人工智能,处理邮件、日历和日常事务。
Underdog 是一款强调忠诚与隐私的个人人工智能助手,主打在用户电脑本地运行,让邮件、日历、会议笔记、口述与日常事务尽量不离开本机。它面向重视数据主权与效率的个人用户,可帮助处理医生预约、处方续药、税务资料等敏感任务,并在执行前生成下一步草稿或操作建议交由用户批准。当前为邀请制测试版,率先支持苹果电脑,其他桌面与移动系统正在推出;页面未明确公开价格。其技术亮点包括本地小模型与高效语音模型带来的低门槛、快速迭代和隐私优势,定位为让个人拥有自己智能栈的消费级个人人工智能。
统一接口运行图像、视频、音频与文本人工智能模型,并支持智能体与工作流。
Wiro AI 是面向开发者的统一生成式人工智能接口平台,把图像生成、视频生成、音频与语音、大语言模型以及智能体和工作流整合到一个入口中,开发者无需分别对接多家供应商即可调用一千多个模型。平台提供浏览器试验场、每个模型的代码示例、按运行次数计费和面向生产的稳定接口,定位为帮助软件即服务、应用和团队快速把多模态人工智能能力上线。其重要性在于降低多模型集成、运维、鉴权和计费复杂度,让开发者更专注于产品逻辑与业务创新,同时以按量付费控制成本。
AI语音听写工具,自然说话即可在任何应用中生成干净可发送文本。
Glaido 是一款面向桌面端的 AI 语音听写客户端,定位为“世界最快听写工具”,宣称可达每分钟 150 词、比打字快约 3.1 倍,帮助用户每月节省 20 小时以上。用户按住快捷键自然说话,Glaido 会自动清理口语填充词、补充标点并格式化文本,然后粘贴到代码编辑器、团队聊天、邮件等任意可输入应用,支持约 100 种语言、自定义词典、提示词和按应用风格规则。隐私方面强调听写历史保存在设备上、AI 处理零数据保留。产品面向开发者、知识工作者、内容创作者和团队;价格采用免费加订阅模式,基础版免费永久但每周限 2,000 词,专业版为每用户每月 17 美元(按年计费),并提供团队席位。
Mac 上的语音行动代理,用已有 AI 处理邮件、文件和桌面任务。
Nico 是一款面向 Mac 的语音到行动(voice-to-action)个人代理,定位为常驻屏幕、可听可说、可看屏、可操作文件和浏览器的桌面 AI 助手。用户按住右 Command 键用自然语言下达任务,Nico 能在本机环境中读取当前屏幕、拖入的文件、邮件和网页,并调用用户已有的 ChatGPT、Claude、Gemini、GitHub Copilot、SuperGrok 等 AI 订阅或 API 账户来执行。它采用前台对话代理与后台 Worker 代理的双代理架构,Worker 基于开源 pi agent harness,能在沙盒中规划、研究、处理文件、邮件、网页和应用并自检;敏感动作如发邮件、提交、删除前会先确认。Nico 强调隐私,许多操作在 Mac 本地完成,凭证留在本机;可免费下载使用,并复用已有 AI 订阅,Nico Plus 提供自有语音服务等增强能力。其重要性在于把语音输入、屏幕理解、桌面自动化与个人上下文记忆结合,减少切换应用和手动操作,让 Mac 用户以更自然、更快速的方式完成日常知识工作。
将文本或图像转为电影级人工智能视频,支持15秒片段、有状态编辑与4K输出。
Omni 1.2 Flash 是 OmniFlash 推出的网页版人工智能视频生成工具,可将文本或图像转为带原生音频的电影级视频,面向短视频、广告、电商、影视预演等内容生产场景。它单次生成最长15秒,兼容场景可每轮延长3至10秒,最高累计30秒;支持360p或720p草稿后仅将选定结果升级到1080p或4K。它最多支持6张参考图(双角色每角色3张)和3段参考视频,强化角色、人脸、产品和品牌一致性,并提供有状态对话式编辑,无需反复重生成即可修改产品、灯光或镜头角度;同时改进语音与唇形同步,多说话人场景更可用。价格方面,720p输出约0.07美元/秒,较上一代低约30%,并提供免费试用,正式使用按积分或套餐付费。页面称其在文本转视频竞技场截至2026年11月6日排名第一,定位为高效、可迭代且可交付高分辨率成片的视频生成模型。
把PPT、PDF和文档变成AI旁白或克隆声音的讲解视频与转录。
Vidsembly 是一个面向团队的 AI 内容转换与视频生产平台,可将 PowerPoint、PDF、文档、笔记、音视频和脚本转化为带旁白的视频、幻灯片、转录、翻译和配乐。其核心价值在于无需时间线编辑经验,通过引导式工作流完成上传、脚本生成或导入、声音选择、预览与导出,并可将成品托管为分享链接或嵌入代码,查看观看分析。技术亮点包括 AI 旁白、声音克隆、12 种输出语言、原分辨率幻灯片导出、MP4 导出、可搜索转录、AI 幻灯片生成、幻灯片翻译和 AI 原创器乐配乐。定位是帮助培训、教育、销售和内部沟通团队规模化生产内容,而不必从零重建材料。价格方面,提供免费 0 美元计划,含 30 个一次性积分、50 MB 视频库存储、标准库声音、原分辨率视频和水印导出;Pro 为 6.99 美元/月或 69.99 美元/年,含 300 积分/月、50 GB 存储、高级声音、3 个声音克隆、720p 与 1080p 重渲染且无水印;Elite 为 21.99 美元/月或 219.99 美元/年,含 1200 积分/月、250 GB 存储、5 个声音克隆、4K 重渲染导出和即将推出的优先渲染速度。积分用于生成视频、配音、音乐和其他 AI 输出,付费计划的声音克隆也消耗积分。
面向苹果电脑与视窗系统的人工智能语音输入与听写工具,语音即时成文。
Loqua 是一款面向苹果电脑与视窗系统的人工智能语音输入与听写软件,核心能力不只是把语音转成文字,而是结合上下文理解用户真正想表达的意思,并实时去除口头禅、重复和冗余,润色措辞、调整语气、生成列表与标题,让最终出现在屏幕上的文本接近可直接发送的状态。它支持在任意文本输入框通过一个全局快捷键调用,覆盖邮件、团队协作、笔记、代码编辑器、表格、浏览器等常见场景,官方称输入速度可达每分钟约220词,比传统键盘输入快约4倍,每天可节省数小时。除听写外,Loqua 还提供截图问答、选中文本语音改写、近100种语言翻译、语音命令执行以及人工智能播客朗读等功能。产品定位为提升日常书写、沟通、跨语言协作与信息处理效率的生产力工具,主要面向苹果电脑与视窗系统用户。官网提供14天免费试用,具体付费方案未在页面明确标明。
实时转写并双向翻译会议、通话、视频和讲座音频。
Verli App 是一款面向跨语言沟通场景的实时翻译与转写工具,可监听浏览器标签页、电脑桌面音频或麦克风输入,自动识别说话人语言并进行双向翻译,让用户在会议、通话、课程、活动、视频和家庭聊天中直接阅读原文与译文。它的重要性在于无需机器人加入会议、无需对方安装软件,也不用手动按键切换语言;桌面端可置顶显示最新翻译,支持语音朗读、实时分享链接、AI 摘要与转写保存。产品定位是轻量、隐私友好的多语言沟通助手,支持约 60 种语言,覆盖 Mac、Windows、现代浏览器、Chrome 扩展与 Android。价格方面,注册后可免费使用 60 分钟,之后为每月 7.99 美元包含 10 小时;Verli 不录制音频,对话不会用于训练 AI。
PatientOS 为医疗机构提供 AI 患者入院、24/7 接待与 EMR 集成。
PatientOS 是 Athel AI 推出的医疗 AI 平台,面向诊所、医院和各类专科医疗机构。它通过自适应的 AI 患者入院访谈、24/7 AI 接待与语音听写,将患者沟通和临床信息采集嵌入现有 EMR 工作流。系统支持患者使用自己的语言在就诊前完成问诊,AI 接待员全天候接听电话并完成预约,医生口述笔记后自动生成文本,从而减少漏接电话、前台负担和医生文档时间。产品强调与 Accuro、OSCAR、TELUS 及医院 EMR 集成,并符合 PIPEDA 与 HIPAA 合规要求。页面未公开具体价格,定位为需预约 15 分钟演示的机构级医疗自动化解决方案。
设备端快速人工智能模型与开发工具包,几行代码接入,无令牌成本。
Desert Ant Labs 提供在设备端运行的人工智能模型和原生软件开发工具包,覆盖语音、文本与图像等多类任务。其特点是模型体积小、推理速度快、无需云端令牌费用,开发者可通过苹果应用、安卓应用和网页开发等平台在几行代码内集成。产品定位为“每个产品中的小大脑”,强调隐私、低延迟、离线可用和成本可控。每个模型专注于单一任务,如语音识别、语音增强、个人身份信息脱敏、词级时间戳、视频片段选择、图像分类、表情建议、内容审核等。价格方面,每个模型对最多十万月活设备免费,推理不限量,无登录要求,适合从独立开发者到企业团队的广泛场景。
人工智能驱动的高级原型设计平台,用人工智能生成交互并交接清晰规格。
ProtoPie 是一款面向设计团队的高级原型设计与交互验证平台,核心价值在于用人工智能生成交互初稿,再借助变量、公式、条件逻辑、动效、传感器、语音和真实数据等能力反复精修,且页面强调精修交互不消耗额度,并能输出清晰规格用于交接。它支持从设计工具导入,可在手机、平板、笔记本、电视、车载屏幕、智能手表和游戏等场景中测试高保真体验,并支持多设备与跨设备联动,帮助团队在早期验证复杂产品逻辑。页面显示其被多个全球设计团队使用,定位为高保真原型与设计交接工具;价格方面可免费开始,并提供100次免费交互录制和可分享链接,具体付费方案需查看定价页。
用AI语音实时配音YouTube视频,支持75种语言与300种声音。
EarDub 是一款面向 Chrome 和 Edge 的 AI 视频配音浏览器插件,定位为让用户“听内容而不是读字幕”。它结合上下文感知翻译、语音识别和神经网络语音合成,把 YouTube 及其他视频网站的内容实时配音为 75 种语言,并提供 300 种带地区口音的自然声音;配音会尽量与原始画面同步,并配有可调双语字幕。其重要优势是无需上传视频、无需等待处理,且付费方案可处理没有字幕的视频。价格方面,免费版每天可配音 30 分钟(每月 180 分钟,最多 3 个视频、每个最长 60 分钟,限有字幕视频);基础版为 9.99 美元/月或 83 美元/年,每月 60 小时并支持无字幕视频;专业版为 19.99 美元/月或 155 美元/年,无时长限制。它主要面向外语学习者、在线课程用户、跨语言内容消费者和希望提升观看效率的人群,但不支持 Netflix 等版权保护内容和直播流。
一款用面容识别锁定的私密梦境日记应用,语音记录并生成解读卡片。
Dreamlock 是一款面向苹果手机的私密梦境日记应用,核心是用面容识别锁定,让梦境成为只有用户能打开的私人档案。用户在半夜半睡半醒时只需一键口述梦境碎片,应用在设备端理解语音,录音不离开手机;早晨则生成一张专属绘画梦境卡,并用传统、心理学和一个反思问题三种角度给出诚实解读。长期使用后,它会建立个人符号索引与模式,支持从自己的梦境中搜索和提问。其重要性在于解决梦境几分钟内消散、普通日记难以半睡记录、云端隐私担忧等问题。定位是隐私优先、无账户、无注册的梦境记录与自我探索工具。价格上提供永久免费层,高级版订阅为每月 4.99 美元或每年 39.99 美元,年付享 7 天免费试用。
人工智能实时语音翻译工具,支持35种语言,可用于通话、会议和对话。
LiveLingo 是一款人工智能驱动的实时语音翻译应用,重点用于电话通话、线上会议和面对面对话中的即时语音翻译,支持 35 种语言。它通过移动应用和浏览器扩展等入口,帮助个人与团队降低跨语言沟通门槛,减少等待和误解,提高跨国协作、客户服务和旅行交流效率。产品定位为面向日常与工作场景的实时交流工具,页面未披露具体价格,需以官网或应用商店最新信息为准。
用AI代理处理客户对话并完成背后工作,提升客户体验的AI语音平台。
telli 是一家获得1500万美元融资的AI Agent平台,专注于客户体验和客户面向运营。其核心是“telli Method”(构建-运行-改进-扩展),通过无代码Agent构建器、多语言语音(30种语言)、知识库、CRM集成和实时行动能力,让AI语音代理能够处理销售、支持和运营类电话,并在通话中完成报价、预约、付款等实际工作。平台采用模型无关架构,支持自然语音与克隆、实时监控、智能外呼、分析与QA评估。它帮助品牌规模化外呼、提升转化率、7x24小时响应,并降低人力成本。定价为免费试用+企业定制,需联系销售团队获取报价。
多语言语音AI API,提供实时转写、语音合成与同传翻译。
Soniox 是面向实时语音应用的多语言语音AI平台,将语音识别、语音合成和语音翻译整合为统一 API,支持60多种语言和低延迟流式处理。其优势在于原生说话人级准确率、自然语言切换和低时延,适合构建实时字幕、会议转写、语音助手与客服分析等应用。页面未明确展示具体价格,定位为面向开发者和企业的语音API服务。
免费人工智能语音生成器,二百多种自然音色、五十多种语言,无需注册。
EzVoice AI 是一款面向内容创作与商业配音的在线人工智能语音生成器,利用深度学习与神经网络分析人类语音模式,将文本快速转换为接近真人的录音棚级语音。它提供二百多种自然音色和五十多种语言,支持按年龄、性别、风格筛选与试听,并可细调声音的温暖度或质感以塑造品牌专属声线。页面强调免费、无需注册即可使用,输出高比特率 MP3 并去除数字底噪,同时重视企业级数据安全,适合视频、播客、在线教育、营销和客服培训等场景,定位为降低录音成本、提升多语言内容规模化生产效率的在线工具。
AI语音教练助你在真实对话中学习多国语言
VoiceLearn 是一款基于浏览器的 AI 语言陪练产品,核心是让用户通过“真实对话”学会开口说话,而不是背单词或刷题。它提供西班牙语、葡萄牙语、法语、日语、普通话、德语、俄语等语言的 AI 语音教练,教练会聆听用户表达、实时纠正错误,并根据用户水平自动切换语言难度,保证练习既有挑战又不会让人迷失。产品定位是“随时可用的私人语言教练”:无需预约、无需等待,2 点熬夜或午休 10 分钟都能打开浏览器开始练习,特别适合碎片化时间学习。价格方面,VoiceLearn 提供 14 天免费试用(含 30 分钟语音练习),试用后订阅费为每月 9.99 美元 75 分钟语音时长,Pro 版 19.99 美元 200 分钟时长,并包含新语言抢先体验。相比真人外教,它把口语练习的成本和门槛大幅降低,同时通过即时反馈和适应性课程让学习更高效。
免费在线AI文本转语音,生成自然且富有情感的真实配音。
2Speech AI 是一款在线AI文本转语音工具,面向视频配音、播客、有声书、教育课件、无障碍阅读和企业营销等场景。其核心技术是神经文本转语音与情感语音合成,通过分析文本并加入呼吸、节奏和自然语调,将书面内容转换为接近真人说话的高质量音频。产品支持直接输入文本及上传PDF、PPT、DOCX、书籍、图片、音频和视频等文件,提供多语言、多口音、多风格声音库,并可导出WAV或MP3。主要优点包括生成速度快、操作简单、无需专业录音设备、音质清晰、支持免费使用,并通过加密和安全措施保护用户脚本。页面定位为免费在线TTS工具,适合个人创作者、教育者、企业与品牌快速制作专业语音内容;价格信息显示可免费使用,具体高级功能或额度未在页面中明确。
免费开源AI语音输入软件,本地运行,支持100+语言,隐私安全。
OpenWhispr 是一款隐私优先的开源语音输入工具,基于 OpenAI Whisper 和 NVIDIA Parakeet 等先进 AI 模型,提供快速、准确的本地语音转文字能力。它支持 macOS、Windows、Linux 和 iOS,可在任何文本输入场景中使用(如 Slack、VS Code、Chrome、Word、Notion 等),通过自定义快捷键实现“按住说话”或“按键切换”的听写体验。核心功能完全免费且开源(MIT 许可),语音数据默认在本地处理,绝不离开设备;用户也可选择自带 API 密钥(OpenAI、Anthropic、Google Gemini 等)或使用 OpenWhispr Cloud(免费额度每周 2000 字)。产品定位为个人隐私与效率兼顾的 AI 助手,适用于快速记录、会议纪要、多语言翻译等场景,已有超过 15 万用户下载,是市面上少有的完全透明、可审计、可离线的语音输入方案。
© 2026 AIbase 备案号:闽ICP备08105208号-14