产品库

Azure AI 语音，创建语音合成应用

Azure AI 语音是一款强大的语音合成服务，提供高质量的语音合成功能。它可以将文本转化为自然流畅的语音，并支持多种语音风格和语言。Azure AI 语音具有简单易用的 API 接口，适用于各种应用场景，包括语音助手、语音导航、电话系统等。定价根据使用量进行计费，详情请参考官方网站。

AI声音合成，高质量，逼真

SteosVoice（以前称为CyberVoice）是人工智能的声带，具有超高质量的逼真语音合成。它适用于创作者、视频制作、游戏开发、模组制作、播客、有声读物等领域。它提供超过150种不同的声音，每天生成超过25小时的音频。用户可以使用SteosVoice创造独特的内容，为视频配音、向赞助者发送语音消息、制作播客、为模组和游戏添加声音等。SteosVoice还提供付费计划，于2023年1月9日重新开放。

睿声 - 超拟真瞬时语音克隆平台

REECHO.AI 睿声是一个超拟真的人工智能语音克隆平台。用户可以上传语音样本,系统利用深度学习技术进行语音克隆,生成质量极高的 AI 语音,可以实现不同人物的语音风格转换。该平台提供语音创作、语音配音等服务,让更多人可以通过 AI 技术参与语音内容的创作,降低创作门槛。平台定位大众化,提供免费使用基础功能。

24/7 AI 语音助手革新客户管理

Qlient AI 是为寻求高效客户管理的企业设计的创新解决方案。我们的 24/7 AI 语音助手自动化客户接待、简化沟通，并增强客户参与度。

保护你免受音频篡改

AI 语音检测器是一个 AI 检测工具，可帮助您检测音频是否由人工智能生成还是真实人类生成。保护自己免受音频篡改。

精准的 AI 视频字幕识别和字幕翻译软件

33 字幕是一款精准的 AI 视频字幕识别和字幕翻译软件。它可以将音频、视频转换成文本或 SRT 字幕文件，并支持字幕翻译成其他语言。它使用优化后的 Whisper AI 语音转写模型，准确度接近人类水平。集成多种 AI 翻译引擎，支持 ChatGPT、DeepL、微软、百度等翻译接口。它还提供高效易用的可视化字幕编辑器，支持字幕摘要和预提取人声功能。33 字幕支持英语、日语、韩语、法语、泰语等 50 多种语言。

基于 AI 的高效视频学习工具

Chat Video 是一个基于 AI 的高效视频学习工具，支持语音识别、摘要总结、AI 问答等功能。它能够通过云端 AI 语音识别快速准确地提取字幕，支持字幕一键下载和搜索，还可以自动提取视频大纲，帮助用户快速了解视频主题和内容。Chat Video 还支持 AI 问答，通过问答的方式快速检索视频信息，让视频学习更简单、更高效。

领先 AI 语音生成器

Leelo AI 是领先的 AI 语音生成器，利用先进的语音技术为各种需求提供文本转语音服务。不论您是动画配音公司、在 YouTube 上寻求文本转语音的视频制作者，还是需要强大的 AI 朗读解决方案，Leelo AI 都能以 140 多种语言提供无缝转换。立即探索声音的未来！

AI 视频创作，数字人，图文转视频，智能内容创作平台

一帧秒创是基于秒创 AIGC 引擎的智能 AI 内容生成平台，为创作者和机构提供 AI 生成服务。通过智能分析文案、素材、AI 语音等，快速生成高质量的视频内容。拥有图文转视频、数字人、AI 帮写等功能，助力企业和自媒体提升内容创作效率。

高质量、逼真的AI语音合成服务，满足您的各种语音合成需求。

LazyBird是一个AI语音合成工具，提供高质量、逼真的语音合成服务。它可以帮助您轻松地为您的电子学习材料、播客或商业视频创建专业的语音合成。LazyBird的主要优点是其逼真的声音和自然的语调，能够吸引您的观众。

赛灵力虚拟数字人工厂提供 AI 虚拟人视频创作服务，让数字人拥有真人般交互能力。

赛灵力虚拟数字人工厂致力于 2D 虚拟人、3D 虚拟人、声音克隆等 AI 技术探索和产业应用，为企业、政府、个人提供虚拟数字人 AI 视频创作、个人形象定制、声音定制、智能语音合成等服务。

基于科大讯飞语音技术，实现智能客服的多渠道解决方案。

A.I.智能客服解决方案是科大讯飞基于其先进的语音技术，为企业提供的一套完整的客户服务系统。该系统通过电话、Web、APP、小程序、自助终端等多种渠道，实现智能外呼、智能接听、语音导航、在线文字客服、质检分析、坐席辅助等功能。它通过高识别率的语音识别引擎、自然流畅的语音合成技术、智能打断能力、IVR导航以及客服平台中间件等技术，帮助企业提高客服效率，降低人力成本，同时提升客户服务体验。

AI图像、视频、音乐生成工具

ApolloAI是一款人工智能平台，提供AI图像、视频、音乐、语音合成等功能。用户可以通过文本或图片输入生成多种类型的内容，具备商业使用权。定价灵活，提供订阅和一次性购买两种模式。

Azure AI Studio提供的语音服务

Azure AI Studio是微软Azure提供的一套人工智能服务，其中包括语音服务。这些服务可能包括语音识别、语音合成、语音翻译等功能，帮助开发者在他们的应用程序中集成语音相关的智能功能。

基于少量语音样本生成逼真的人声音频

Voice Engine是一种先进的语音合成模型,它仅需15秒的语音样本,便能生成与原始说话人极为相似的自然语音。该模型广泛应用于教育、娱乐、医疗等领域,可为非读写人群提供朗读辅助、为视频和播客内容翻译语音、为非语言人群赋予独特语音等。其显著优势在于所需语音样本少、生成语音质量高、支持多语种。Voice Engine目前处于小规模预览阶段,OpenAI正在与各界人士探讨其潜在应用和伦理挑战。

真实人声AI文本转语音

VoiceBar提供最逼真的AI语音合成服务，包括多国语言和口音，具有高级的语音质量和真实感。无需订阅，使用极具竞争力。适用于语音留言、多语言文本转语音、TikTok、解说视频、学习等场景。

Deepgram的Aura TTS演示，展示了先进的语音合成技术。

Aura TTS（文字转语音）演示展现了Deepgram的高级语音合成技术，可以将文本转换成自然发音的语音，并提供多种声音选项。

NaturalSpeech 3是一个零样本（Zero-Shot）语音合成系统，使用分解编解码器和扩散模型生成自然语音

NaturalSpeech 3旨在通过分解语音的不同属性（如内容、韵律、音色和声学细节）并分别生成它们来提高语音合成的质量、相似性和韵律。该系统设计了一个神经编解码器，使用分解的向量量化（FVQ）来解耦语音波形，并提出了一个分解的扩散模型来根据相应的提示生成每个子空间的属性。

一键生成带字幕和配音的视频翻译工具

VideoTrans是一款免费开源的视频翻译配音工具。它可以一键识别视频字幕、翻译成其他语言、进行多种语音合成,最终输出带字幕和配音的目标语言视频。该软件使用简单,支持多种翻译和配音引擎,能大幅提高视频翻译的效率。

亚马逊的大规模语音合成模型

BASE TTS是亚马逊开发的大规模文本到语音合成模型,运用了10亿参数的自动回归转换器,可将文本转换成语音代码,再通过卷积解码器生成语音波形。该模型使用了超过10万小时的公共语音数据进行训练,实现了语音自然度的新状态。还具有音素解离和压缩等新颖的语音编码技术。随着模型规模的增大,BASE TTS展现出了处理复杂句子的自然语调能力。

MetaVoice-1B是一个语音合成模型。

MetaVoice-1B是一个1.2B参数的语音合成基础模型,通过训练10万小时的语音数据而成。它具有以下特点:支持英语情感语调和语气;支持语音克隆;少量数据(1分钟内)就可实现印度语音克隆;无参克隆美式和英式语音(30秒音频);支持长文本语音合成。我们在Apache 2.0许可下免费开源这个模型,可以无限制使用。

AI智能创作平台

XMetaverso CREAkey是一个AI智能创作平台，提供多种功能，包括生成文章、改进内容、博客写作、广告创作、语音合成等。用户可以通过AI生成各种内容，满足不同的写作需求。平台简单易用，可应用于广告、博客、社交媒体等场景。定价详见官方网站。

Stability AI 高保真文本转语音模型

Stability AI 高保真文本转语音模型旨在提供对大规模数据集进行训练的语音合成模型的自然语言引导。它通过标注不同的说话者身份、风格和录音条件来进行自然语言引导。然后将此方法应用于45000小时的数据集，用于训练语音语言模型。此外，该模型提出了提高音频保真度的简单方法，尽管完全依赖于发现的数据，但在很大程度上表现出色。

支付宝春节新玩法,结合AI技术创新传统年俗

支付宝在2024年春节推出了4大AI新玩法,包括「飙戏小剧场」、「会说话红包」、「时空照相馆」、「大家来找福」,将AI技术与传统年俗结合,通过AI换脸、语音合成等技术,让用户可以参与互动、体验虚拟场景,丰富年节氛围,增添节日乐趣。这些玩法可通过支付宝APP参与,操作简单、乐趣多。

由人工智能驱动的一站式语音翻译、音色定制、配音等音视频服务

米可智能是由人工智能驱动的一站式语音翻译、音色定制、配音等音视频服务。它通过 AI 技术将复杂操作极致简化，提高工作效率超过 90%。功能包括语音翻译，将音视频的语音翻译为其他语言的语音，全流程 AI 驱动，精准度超过 98%；音色定制，定制个性化的音色，用于语音翻译、配音等功能；语音合成，将文字转为自然生动的语音。产品定价合理，使用场景广泛，适用于跨境市场营销、教育、媒体等领域。

啤啤熊是一个提供AI应用和服务的平台

啤啤熊是一个为用户提供全面AI应用和服务的平台。该平台集成了各类高效、易用的AI工具,可以帮助用户提高工作和生活效率。平台提供语音识别、语音合成、文本生成、图像处理等AI功能模块。用户可以通过简单配置,无需编程就可以构建自己需要的AI应用。平台采用免费使用模式,提供开放易用的AI能力,降低用户使用AI的门槛。

开源文本转语音系统

Whisper Speech是一款完全开源的文本转语音模型，由Collabora和Lion在Juwels超级计算机上训练。它支持多种语言和多种形式的输入，包括Node.js、Python、Elixir、HTTP、Cog和Docker。该模型的优势在于高效的语音合成和灵活的部署方式。定价方面，Whisper Speech完全免费。它定位于为开发者和研究人员提供一个强大的、可定制的文本转语音解决方案。

LinkAI提供智能对话、绘画等AI能力

LinkAI是一个提供智能对话、绘画等AI产品和解决方案的科技公司。我们的核心产品包括:1) 智能对话,利用大模型技术,实现人机自然语言交互,可用于客服问答、知识库问答等业务场景;2) AI绘画,利用生成对抗网络等技术,实现用户语言描述到图像生成,可用于创意设计、游戏绘画等场景;3) AI应用创建,通过无代码方式,快速构建包含智能对话、语音合成等AI能力的应用。我们致力于用AI赋能客户,提升工作生产力,为用户带来简单高效的交互体验。

真实的文本转语音技术

Crikk是一款价格实惠的强大文本转语音工具，支持56种语言，提供真实的语音合成技术。无论是用于语音播报、有声书还是教育，Crikk都能为用户提供高质量的声音合成。用户可以选择免费试用或者采用月费20美元的专业版，月额度为500,000个字符，拥有6种不同的声音和56种语言。此外，Crikk还将推出移动应用，实现图片或PDF的文字转语音。Monster Incorporation Inc.位于Delaware，United States。

从音频生成照片般逼真的人类avatar

audio2photoreal是一个从音频生成照片级逼真avatar的开源项目。它包含了一个pytorch实现,可以从音频中合成交谈中的人类形象。该项目提供了训练代码、测试代码、预训练的运动模型以及数据集访问。它的模型包括人脸扩散模型、人体扩散模型、人体VQ VAE模型和人体引导变换器模型。该项目让研究人员和开发者能够训练自己的模型,并基于语音合成高质量的逼真avatar。