产品库

将音频转换为样式化文本

AdutorAI将音频根据您选择的模板转换为样式化文本。不论您是想撰写电子邮件、创建社交媒体帖子还是编写任何其他文字内容，这款应用都能简化流程。您可以选择各种样式模板，确保您的文本看起来完全符合您的要求。该应用支持您所需的任何语言，并提供实用工具，如摘要、翻译和文本长度调整，使其成为将您的语音转换为结构良好、精心编排的文本的多功能高效解决方案。

将音频转换为文本。使用Transkriptor自动记录和转录您的会议和其他对话。

Transkriptor是一款将音频转换为文本的浏览器插件。它使用先进的人工智能技术，可以自动记录和转录会议、访谈和讲座等不同类型的语音内容。Transkriptor具有简单直观的界面，支持多种文件格式，提供安全的转录服务，并具备生成字幕、支持多语言转录和远程协作编辑等功能。

多模态语言模型，融合文本和语音

Spirit LM是一个基础多模态语言模型，能够自由混合文本和语音。该模型基于一个7B预训练的文本语言模型，通过持续在文本和语音单元上训练来扩展到语音模式。语音和文本序列被串联为单个令牌流，并使用一个小的自动策划的语音-文本平行语料库，采用词级交错方法进行训练。Spirit LM有两个版本：基础版使用语音音素单元（HuBERT），而表达版除了音素单元外，还使用音高和风格单元来模拟表达性。对于两个版本，文本都使用子词BPE令牌进行编码。该模型不仅展现了文本模型的语义能力，还展现了语音模型的表达能力。此外，我们展示了Spirit LM能够在少量样本的情况下跨模态学习新任务（例如ASR、TTS、语音分类）。

VocBot Turbo 是一个高效的语音转文字工具

VocBot Turbo 是一个高效的语音转文字工具，可以快速将语音内容转换为文字，支持多种语言和音频格式，提供准确的识别结果。VocBot Turbo具有高度的准确性和灵活性，适用于各种场景，包括会议记录、语音转写、语音搜索等。它还具有用户友好的界面和简单易用的操作，使您可以轻松地进行语音转文字。

使用AI为您自动生成会议摘要

LazyNotes AI会议笔记应用程序可以在会议进行时自动为您生成会议摘要和转录,无需任何操作。它使用AI从会议录音中提取关键信息,生成类似人工笔记的简明摘要。您可以根据自己的需求自定义提示词,以获得适合自己行业和角色的定制摘要。该APP还提供无限录音和摘要。主要功能包括:一按录音,智能结束;前沿的AI摘要技术;可自定义提示词模板;充分听讲,无需操作记录。LazyNotes让您无需妥协,即可同时专注聆听和记笔记。

会议录音，访谈录音，记录关键信息

Notta 是一款语音转文字的效率工具，支持边录音边转写、录音文件转写、边听边改等功能。支持 104 种语言识别，转录准确率高达 98%。提供高级连续包月会员服务。

捕捉每个讲座、会议和对话的每个字，让Hurd AI为您记录、标记和总结文稿。

Hurd AI是一款能够捕捉每个讲座、会议和对话的每个字的AI助手。使用Hurd AI，您可以专注于倾听，而不必担心记笔记或错过重要的内容。它支持自动转录、组织和总结会议和对话，并且可以将音频文件转换为可搜索的文本，让您可以轻松高亮、过滤和分组。Hurd AI免费使用，不限制使用时间，您可以随时使用。

专业语音识别软件和服务

Vocapia Research开发的语音识别软件提供先进的语音处理技术，支持多语种识别，并能应用于广播监控、讲座和研讨会转录、视频字幕、电话会议转录和语音分析等领域。我们的产品具有大词汇量连续语音识别、语音分割和分区、说话人识别和语种识别等功能。我们的软件适用于批量或实时转录大量音频和视频文件，特别针对电话对话语音和呼叫中心数据的转录需求。我们提供多种语言的转录服务，并可根据客户需求定制模型或系统。

音频转文本工具

Recos是一个音频转文本的网站工具。它使用OpenAI的Whisper API，提供稳定的、高效的音频转文本服务。支持多种常见音频格式，保证用户的隐私安全。用户可以使用自己的OpenAI API密钥，也可以登录使用积分。每个积分可以转换一分钟的音频。

工作学习 AI 助手

阿里云通义听悟是聚焦音视频内容的工作学习 AI 助手，依托大模型，帮助用户记录、整理和分析音视频内容。通过实时语音转文字、多语言同步翻译，提供高效学习体验。通义听悟能智能区分发言人、自动总结章节速览和待办事项，让用户轻松完成会议纪要。支持电脑端、移动端和浏览器插件三种形式，广泛适用于会议记录、学习笔记等场景。定价灵活，详情请咨询官方网站。

免费、自动将音频和视频转录为文本

FreeSubtitles.AI是一个免费的在线工具，可以自动将音频和视频转录为文本。它可以帮助用户将会议录音、访谈、演讲等各种类型的音频和视频文件快速转换成可编辑和搜索的文本。该工具提供免费的自动翻译功能，可以将转录的文本自动翻译成多种语言。用户可以直接在网页上上传音频或视频文件，或者将文件拖放到页面上进行转录。FreeSubtitles.AI还提供了付费版本，该版本可以保存用户的转录历史，并提供更多高级功能。

联合语音转录和实体识别的先进模型

Whisper-NER是一个创新的模型，它允许同时进行语音转录和实体识别。该模型支持开放类型的命名实体识别（NER），能够识别多样化和不断演变的实体。Whisper-NER旨在作为自动语音识别（ASR）和NER下游任务的强大基础模型，并且可以在特定数据集上进行微调以提高性能。

多模态语音大型语言模型

ultravox-v0_4_1-mistral-nemo是一个基于预训练的Mistral-Nemo-Instruct-2407和whisper-large-v3-turbo的多模态语音大型语言模型（LLM）。该模型能够同时处理语音和文本输入，例如，一个文本系统提示和一个语音用户消息。Ultravox通过特殊的<|audio|>伪标记将输入音频转换为嵌入，并生成输出文本。未来版本计划扩展标记词汇以支持生成语义和声学音频标记，进而可以输入到声码器中产生语音输出。该模型由Fixie.ai开发，采用MIT许可。

多模态语音大型语言模型

fixie-ai/ultravox-v0_4_1-llama-3_1-70b是一个基于预训练的Llama3.1-70B-Instruct和whisper-large-v3-turbo的大型语言模型，能够处理语音和文本输入，生成文本输出。该模型通过特殊伪标记<|audio|>将输入音频转换为嵌入，并与文本提示合并后生成输出文本。Ultravox的开发旨在扩展语音识别和文本生成的应用场景，如语音代理、语音到语音翻译和口语音频分析等。该模型遵循MIT许可，由Fixie.ai开发。

多模态语音大型语言模型

fixie-ai/ultravox-v0_4_1-llama-3_1-8b是一个基于预训练的Llama3.1-8B-Instruct和whisper-large-v3-turbo的大型语言模型，能够处理语音和文本输入，生成文本输出。该模型通过特殊的<|audio|>伪标记将输入音频转换为嵌入，并生成输出文本。未来版本计划扩展标记词汇以支持生成语义和声学音频标记，进而可以用于声码器产生语音输出。该模型在翻译评估中表现出色，且没有偏好调整，适用于语音代理、语音到语音翻译、语音分析等场景。

下一代语音AI，打造自然沟通的AI语音代理。

Ultravox.ai是一个先进的语音语言模型（SLM），直接处理语音，无需转换为文本，实现更自然、流畅的对话。它支持多语言，易于适应新语言或口音，确保与不同受众的顺畅沟通。产品背景信息显示，Ultravox.ai是一个开源模型，用户可以根据自己的需求进行定制和部署，价格为每分钟5美分。

基于LLM的智能字幕助手，一键生成高质量视频字幕

卡卡字幕助手（VideoCaptioner）是一款功能强大的视频字幕配制软件，利用大语言模型进行字幕智能断句、校正、优化、翻译，实现字幕视频全流程一键处理。产品无需高配置，操作简单，内置基础LLM模型，保证开箱即用，且消耗模型Token少，适合视频制作者和内容创作者。

Najva：您的AI驱动的Mac语音助手，将语音快速转换为文本。

Najva是一款专为Mac设计的AI驱动的语音助手，它结合了先进的本地语音识别技术和强大的AI模型，将您的语音转换成智能文本。这款应用特别适合那些思维速度比打字速度快的用户，如作家、开发者、医疗专业人员等。Najva以其轻量级、原生Swift应用、零追踪和完全免费等特点，为用户提供了一个注重隐私和效率的工作流程解决方案。

轻量级、快速的RAG文本分块库

Chonkie是一个为检索增强型生成（RAG）应用设计的文本分块库，它轻量级、快速，并且易于使用。该库提供了多种文本分块方法，支持多种分词器，并且具有高性能。Chonkie的主要优点包括丰富的功能、易用性、快速处理速度、广泛的支持和轻量级的设计。它适用于需要高效处理文本数据的开发者和研究人员，特别是在自然语言处理和机器学习领域。Chonkie是开源的，遵循MIT许可证，可以免费使用。

从文本中提取知识图谱三元组的管道工具

Graphusion是一个用于从文本中提取知识图谱三元组的管道工具。它通过一系列步骤，包括概念提取、候选三元组提取和三元组融合，来构建知识图谱。这个工具的重要性在于它能够帮助研究人员和开发者自动化地从大量文本数据中提取结构化信息，进而支持知识管理和数据科学项目。Graphusion的主要优点包括其自动化处理能力、对不同数据集的适应性以及灵活的配置选项。产品背景信息显示，Graphusion是由tdurieux开发的，可以在GitHub上找到相关代码和文档。目前，该工具是免费的，但具体的定价策略可能会根据开发者的更新和维护情况而变化。

用AI记录会议并总结，提升工作效率。

Sona是一款能够记录、转录、总结和聊天的应用程序，它通过捕捉对话并提供最重要的见解来提升用户的工作效率。Sona可以在多种设备上使用，包括Apple Watch、iPhone和桌面客户端，支持99种语言，让用户无论在何种语言环境下都能进行对话记录和总结。产品的主要优点包括无缝捕捉对话、智能总结、继续对话、多语言支持以及在后台工作，不干扰会议。Sona的定位是帮助用户在会议和日常对话中捕捉重要信息，避免遗漏关键细节。

开源的全双工音频生成基础模型

hertz-dev是Standard Intelligence开源的全双工、仅音频的变换器基础模型，拥有85亿参数。该模型代表了可扩展的跨模态学习技术，能够将单声道16kHz语音转换为8Hz潜在表示，具有1kbps的比特率，性能优于其他音频编码器。hertz-dev的主要优点包括低延迟、高效率和易于研究人员进行微调和构建。产品背景信息显示，Standard Intelligence致力于构建对全人类有益的通用智能，而hertz-dev是这一旅程的第一步。

AI会议记录分析应用

MeetingMind是一个AI驱动的会议助理，帮助用户轻松捕捉、分析和执行会议洞察。该项目使用Langflow、Next.js和基于Groq的快速转录服务来分析会议并生成洞察。产品背景信息显示，MeetingMind旨在提高会议效率，通过自动化提取会议中的关键信息，如任务、决策、问题等，减少人工记录和后续整理的时间。产品的主要优点包括AI转录、关键信息自动提取和易于使用的界面。目前，该产品在GitHub上开源，用户可以免费使用。

Android平台上的私有、设备端语音识别键盘和文字服务

Transcribro是一款运行在Android平台上的私有、设备端语音识别键盘和文字服务应用，它使用whisper.cpp来运行OpenAI Whisper系列模型，并结合Silero VAD进行语音活动检测。该应用提供了语音输入键盘，允许用户通过语音进行文字输入，并且可以被其他应用显式使用，或者设置为用户选择的语音转文字应用，部分应用可能会使用它来进行语音转文字。Transcribro的背景是为用户提供一种更安全、更私密的语音转文字解决方案，避免了云端处理可能带来的隐私泄露问题。该应用是开源的，用户可以自由地查看、修改和分发代码。

下一代语音AI，提供卓越的音频数据处理能力。

Universal-2是AssemblyAI推出的最新语音识别模型，它在准确度和精确度上超越了前一代Universal-1，能够更好地捕捉人类语言的复杂性，为用户提供无需二次检查的音频数据。这一技术的重要性在于它能够为产品体验提供更敏锐的洞察力、更快的工作流程和一流的产品体验。Universal-2在专有名词识别、文本格式化和字母数字识别方面都有显著提升，减少了实际应用中的词错误率。

端到端中英语音对话模型

GLM-4-Voice是由清华大学团队开发的端到端语音模型，能够直接理解和生成中英文语音，进行实时语音对话。它通过先进的语音识别和合成技术，实现了语音到文本再到语音的无缝转换，具备低延迟和高智商的对话能力。该模型在语音模态下的智商和合成表现力上进行了优化，适用于需要实时语音交互的场景。

AI驱动的语音听写工具

Whispo是一款利用人工智能技术的语音听写工具，它能够将用户的语音实时转换成文字。这款工具使用了OpenAI Whisper技术进行语音识别，并支持使用自定义API进行语音转写，还允许通过大型语言模型进行转录后处理。Whispo支持多种操作系统，包括macOS（Apple Silicon）和Windows x64，并且所有数据都存储在本地，保障了用户隐私。它的设计背景是为了提高那些需要大量文字输入的用户的工作效率，无论是编程、写作还是日常记录。Whispo目前是免费试用的，但具体的定价策略尚未在页面上明确。

多模态理解和生成的统一模型

Janus是一个创新的自回归框架，它通过分离视觉编码来实现多模态理解和生成的统一。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，还增强了框架的灵活性。Janus超越了以往的统一模型，并与特定任务的模型性能相匹配或超越。Janus的简单性、高灵活性和有效性使其成为下一代统一多模态模型的强有力候选者。

功能强大的语音离线文件转写服务

FunASR是一款语音离线文件转写服务软件包，集成了语音端点检测、语音识别、标点等模型，能够将长音频与视频转换成带标点的文字，并支持多路请求同时转写。它支持ITN与用户自定义热词，服务端集成有ffmpeg，支持多种音视频格式输入，并提供多种编程语言客户端，适用于需要高效、准确语音转写服务的企业和开发者。

智能语音转文字工具，高效且用户友好。

AsrTools是一款基于人工智能技术的语音转文字工具，它通过调用大厂的ASR服务接口，实现了无需GPU和复杂配置的高效语音识别功能。该工具支持批量处理和多线程并发，能够快速将音频文件转换成SRT或TXT格式的字幕文件。AsrTools的用户界面基于PyQt5和qfluentwidgets，提供高颜值且易于操作的交互体验。它的主要优点包括调用大厂接口的稳定性、无需复杂配置的便捷性、以及多格式输出的灵活性。AsrTools适合需要快速将语音内容转换成文字的用户，特别是在视频制作、音频编辑和字幕生成等领域。目前，AsrTools提供免费使用大厂ASR服务的模式，对于个人和小团队来说，可以显著降低成本并提高工作效率。