产品库

学习外语看海外剧集的浏览器字幕翻译工具

NewTranx Subtitler是一款浏览器插件，通过实时语音识别和AI翻译技术，能够快速将视频的语音内容识别并翻译为双语字幕。支持130多种语言和方言的识别和翻译。用户可以导出字幕和音频，支持在线编辑。可用于学习、观影等场景。

音刻转录是一款快速、精准、丝滑的音视频转录工具。

音刻转录是一款专注于音视频转录的在线工具，通过先进的语音识别技术，能够快速将音频或视频文件转换为文本。其主要优点包括转录速度快、准确率高、支持多种语言和文件格式。产品定位为高效办公和学习辅助工具，旨在帮助用户节省时间和精力，提升工作效率。音刻转录提供免费试用版本，用户可以体验其核心功能，付费版本则提供更多高级功能和大文件支持，满足不同用户的需求。

DuRT 是一款 macOS 上的实时语音识别和翻译软件，致力于提供高效、准确的语音处理服务。

DuRT 是一款专注于 macOS 系统的语音识别和翻译工具。它通过本地 AI 模型和系统服务实现语音的实时识别与翻译，支持多种语音识别方法，提高了识别的准确度和语言支持范围。该产品以悬浮框形式展示结果，方便用户在使用过程中快速获取信息。其主要优点包括高准确度、隐私保护（不收集用户信息）以及便捷的操作体验。DuRT 定位为一款高效生产力工具，旨在帮助用户在多语言环境下更高效地进行沟通和工作。目前产品可在 Mac App Store 下载，具体价格未在页面中明确提及。

Scribe 是全球最准确的语音转文字模型，支持99种语言。

Scribe 是由 ElevenLabs 开发的高精度语音转文字模型，旨在处理真实世界音频的不可预测性。它支持99种语言，提供单词级时间戳、说话人分离和音频事件标记等功能。Scribe 在 FLEURS 和 Common Voice 基准测试中表现卓越，超越了 Gemini 2.0 Flash、Whisper Large V3 和 Deepgram Nova-3 等领先模型。它显著降低了传统服务不足语言（如塞尔维亚语、粤语和马拉雅拉姆语）的错误率，这些语言在竞争模型中的错误率通常超过40%。Scribe 提供 API 接口供开发者集成，并将推出低延迟版本以支持实时应用。

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

Phi-4-multimodal-instruct 是微软开发的多模态基础模型，支持文本、图像和音频输入，生成文本输出。该模型基于Phi-3.5和Phi-4.0的研究和数据集构建，经过监督微调、直接偏好优化和人类反馈强化学习等过程，以提高指令遵循能力和安全性。它支持多种语言的文本、图像和音频输入，具有128K的上下文长度，适用于多种多模态任务，如语音识别、语音翻译、视觉问答等。该模型在多模态能力上取得了显著提升，尤其在语音和视觉任务上表现出色。它为开发者提供了强大的多模态处理能力，可用于构建各种多模态应用。

使用先进的AI图像翻译器，将图像文本翻译成70多种语言，助力全球化推广。

ImageTranslate.AI 是一款基于人工智能的图像翻译工具，专注于将图像中的文本翻译成多种语言，同时保留原始图像的布局和样式。它利用最新的AI技术，能够快速准确地识别和翻译图像中的文本，特别适用于电子商务、产品推广和多语言内容本地化等场景。该产品提供免费试用，同时有付费版本供用户选择，满足不同用户的需求。

实时AI翻译工具，帮助用户在视频通话中跨越语言障碍，无缝沟通。

Talo是一款专为视频通话设计的实时AI翻译工具，旨在打破语言障碍，促进全球范围内的无障碍沟通。它利用先进的AI技术，提供即时、准确的语音翻译，支持32种语言，确保用户在国际会议、跨文化合作等场景中能够顺畅交流。产品的主要优点包括无缝集成主流视频会议工具、提供清晰自然的音频体验以及强大的数据安全保障。Talo面向企业、初创公司和全球公民，旨在帮助企业拓展国际市场、优化内部沟通，并为个人用户提供便捷的国际交流体验。

开源工业级自动语音识别模型，支持普通话、方言和英语，性能卓越。

FireRedASR-AED-L 是一个开源的工业级自动语音识别模型，专为满足高效率和高性能的语音识别需求而设计。该模型采用基于注意力的编码器-解码器架构，支持普通话、中文方言和英语等多种语言。它在公共普通话语音识别基准测试中达到了新的最高水平，并且在歌唱歌词识别方面表现出色。该模型的主要优点包括高性能、低延迟和广泛的适用性，适用于各种语音交互场景。其开源特性使得开发者可以自由地使用和修改代码，进一步推动语音识别技术的发展。

开源的工业级普通话自动语音识别模型，支持多种应用场景。

FireRedASR 是一个开源的工业级普通话自动语音识别模型，采用 Encoder-Decoder 和 LLM 集成架构。它包含两个变体：FireRedASR-LLM 和 FireRedASR-AED，分别针对高性能和高效能需求设计。该模型在普通话基准测试中表现出色，同时在方言和英文语音识别上也有良好表现。它适用于需要高效语音转文字的工业级应用，如智能助手、视频字幕生成等。模型开源，便于开发者集成和优化。

将口语转化为优雅文字的AI写作工具，让写作变得轻松自然。

Bulletpen是一款创新的AI写作应用，旨在帮助用户将口头表达转化为高质量的书面文本。它通过语音识别和自然语言处理技术，将用户的口语内容进行优化和润色，生成结构清晰、语言流畅的书面文本。该产品的主要优点是能够显著提高写作效率，尤其适合那些在写作时感到困难或缺乏灵感的用户。Bulletpen由17岁的高中生Rexan Wong开发，目标是为学生、作家和内容创作者提供一个简单易用的写作辅助工具。它提供免费和付费两种计划，满足不同用户的需求。

风车AI翻译，专注于图片、视频翻译及智能抠图等多模态翻译服务，助力外贸出海。

风车AI翻译是一款专注于多模态翻译的在线工具，涵盖图片翻译、视频翻译、智能抠图等功能。它利用先进的AI技术，能够快速准确地将图片和视频中的文字进行翻译，并支持多种语言互译。该产品主要面向跨境电商、医疗文献、行业研报等领域，帮助用户跨越语言障碍，提升工作效率。其核心优势在于强大的多语言支持、稳定可靠的服务以及多领域翻译能力，能够满足不同行业用户的需求。产品采用订阅制付费模式，具体价格根据用户需求而定。

Whisper Turbo 是一款免费在线快速准确的语音识别工具。

Whisper Turbo 是基于 Whisper Large-v3 模型优化的语音识别工具，专为快速语音转录而设计。它利用先进的 AI 技术，能够高效地将不同音频源的语音转换为文本，支持多种语言和口音。该工具免费提供给用户，旨在帮助人们节省时间和精力，提高工作效率。其主要面向需要快速准确转录语音内容的用户，如博主、内容创作者、企业等，为他们提供便捷的语音转文字解决方案。

一个具有先进语音活动检测、唤醒词激活和即时转录功能的稳健、高效、低延迟的语音到文本库。

RealtimeSTT是一个开源的语音识别模型，能够实时将语音转换为文本。它使用了先进的语音活动检测技术，可以自动检测语音的开始和结束，无需手动操作。此外，它还支持唤醒词激活功能，用户可以通过说出特定的唤醒词来启动语音识别。该模型具有低延迟、高效率的特点，适合需要实时语音转录的应用场景，如语音助手、会议记录等。它基于Python开发，易于集成和使用，且在GitHub上开源，社区活跃，不断有新的更新和改进。

基于ESP32的AI聊天机器人项目，可实现多语言对话与声纹识别

xiaozhi-esp32 是一个开源的 AI 聊天机器人项目，基于乐鑫的 ESP-IDF 开发。它将大语言模型与硬件设备相结合，使用户能够打造出个性化的 AI 伴侣。项目支持多种语言的语音识别与对话，具备声纹识别功能，能够识别不同用户的语音特征。其开源特性降低了 AI 硬件开发的门槛，为学生、开发者等群体提供了宝贵的学习资源，有助于推动 AI 技术在硬件领域的应用与创新。项目目前免费开源，适合不同层次的开发者进行学习与二次开发。

一款使用AI技术的字幕生成工具

AI no jimaku gumi 是一款由 INOKI 开发的字幕生成工具，主要功能是通过人工智能技术将视频文件的音频内容转换成字幕。该工具支持多种语言的翻译，用户可以根据需要选择不同的翻译引擎和字幕格式。其主要优点是能够大幅提高视频翻译的效率和准确性，特别适合需要快速生成字幕的视频制作人员和翻译工作者。该工具是开源的，用户可以根据自己的需求进行定制和扩展，具有很高的灵活性和可扩展性。

AI漫画翻译神器，享受无语言障碍的漫画阅读体验。

Transmonkey的Comic Translator是一款利用人工智能技术进行漫画翻译的在线工具。它结合了强大的大型语言模型和尖端设计，提供准确、自然的翻译，同时保持原作的艺术美感。这款工具的主要优点包括精确的语言模型翻译、视觉真实性的保持、批量翻译的便捷性、浏览器的无缝集成、长漫画页面的优化处理以及即时翻译结果。产品背景信息显示，Transmonkey致力于通过AI技术打破全球沟通障碍，支持超过130种语言的翻译服务。价格方面，提供免费试用信用额度，用户可以在网页上翻译10张图片，更多信用需订阅高级服务。

全能AI助手，提供语音识别、字幕翻译、文档速读等功能

通义是一款集成了语音识别、实时字幕翻译、智能总结等功能的浏览器插件，旨在提高用户在网课、追剧追番、线上会议等场景下的效率。它通过AI技术，帮助用户快速记录、转写、翻译和总结网页内容，特别适合需要处理大量信息的用户。产品背景基于当前信息爆炸的时代，用户需要更高效的工具来管理、理解和消化信息。目前产品提供免费试用，具体价格和定位根据用户需求而定。

AI驱动的应用程序国际化工具

Languine是一个利用人工智能技术帮助开发者进行应用程序国际化的工具。它通过命令行界面（CLI）简化了多语言翻译的流程，支持开发者选择源语言和目标语言，并自动生成语言文件。Languine的背景是随着全球化的发展，越来越多的应用程序需要支持多语言，而传统的翻译流程耗时且成本高。Languine通过集成OpenAI的高级模型，如GPT-4，提供了一种快速、高效且成本效益高的解决方案。目前，Languine提供免费试用，具体的价格和定位信息需要在其官方网站上查看。

将语音转换为博客文章的助手

Robo Blogger是一个专注于将语音转换为博客文章的人工智能助手。它通过捕捉自然语言中的创意，将其结构化为有条理的博客内容，同时可以结合参考资料以确保文章的准确性和深度。这个工具基于之前Report mAIstro项目的概念，专为博客文章创作优化。通过分离创意捕捉和内容结构化，Robo Blogger帮助保持原始想法的真实性，同时确保专业呈现。

实时浏览器端语音识别应用

Moonshine Web是一个基于React和Vite构建的简单应用，它运行了Moonshine Base，这是一个针对快速准确自动语音识别（ASR）优化的强大语音识别模型，适用于资源受限的设备。该应用在浏览器端本地运行，使用Transformers.js和WebGPU加速（或WASM作为备选）。它的重要性在于能够为用户提供一个无需服务器即可在本地进行语音识别的解决方案，这对于需要快速处理语音数据的应用场景尤为重要。

世界上最快的边缘部署音频语言模型

OmniAudio-2.6B是一个2.6B参数的多模态模型，能够无缝处理文本和音频输入。该模型结合了Gemma-2B、Whisper turbo和一个自定义投影模块，与传统的将ASR和LLM模型串联的方法不同，它将这两种能力统一在一个高效的架构中，以最小的延迟和资源开销实现。这使得它能够安全、快速地在智能手机、笔记本电脑和机器人等边缘设备上直接处理音频文本。

端侧全模态理解开源模型

Megrez-3B-Omni是由无问芯穹研发的端侧全模态理解模型，基于大语言模型Megrez-3B-Instruct扩展，具备图片、文本、音频三种模态数据的理解分析能力。该模型在图像理解、语言理解、语音理解方面均取得最优精度，支持中英文语音输入及多轮对话，支持对输入图片的语音提问，根据语音指令直接响应文本，在多项基准任务上取得了领先的结果。

语音驱动的AI助手，提升工作效率。

Shortcut by Poised是一个基于语音的AI助手，旨在通过自然对话的方式提升用户的工作效率。它允许用户通过语音输入快速获得答案、整理思路、起草消息、电子邮件和文档，同时保持工作流程的连贯性。产品通过AI技术将自然语言转换为精炼的文本，并提供多种语言风格选项，满足不同场合的需求。Shortcut by Poised的背景信息显示，它在Product Hunt上发布，并即将推出Windows和移动应用版本，目前Mac版本已可下载。

AI代理测试和评估平台

Coval是一个专注于AI代理测试和评估的平台，旨在通过模拟和评估来提高AI代理的可靠性和效率。该平台由自主测试领域的专家构建，支持语音和聊天代理的测试，并提供全面的评估报告，帮助用户优化AI代理的性能。Coval的主要优点包括简化测试流程、提供AI驱动的模拟、兼容语音AI，以及提供详细的性能分析。产品背景信息显示，Coval旨在帮助企业快速、可靠地部署AI代理，提高客户服务的质量和效率。Coval提供三种定价计划，满足不同规模企业的需求。

一键分发同步文章、动态内容至多个自媒体平台

Distributer是一款专为内容创作者、自媒体人设计的浏览器插件，帮助用户将文章、动态等内容快速同步分发到多个自媒体平台。它支持全球主流内容平台，具备AI翻译、实时监控等功能，大幅提升内容分发效率和准确性。产品背景信息显示，Distributer旨在解决跨平台内容分发的难题，通过技术手段提高创作者的工作效率，同时降低成本。价格方面，Distributer提供免费试用，具体定价信息需访问官方网站查询。

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。

AI视频翻译、配音和唇形同步工具

Vozo Video Translator是一款利用人工智能技术提供视频翻译、配音和唇形同步服务的产品。它通过精确的AI翻译技术，结合背景知识，提供定制化、符合语境的翻译，适应用户的风格和语调偏好，确保翻译结果自然流畅。Vozo Video Translator的主要优点包括准确的语境翻译、AI驱动的校对和润色、真实的语音克隆和情感保留、以及多语种的唇形同步技术。产品背景信息显示，Vozo Video Translator支持多种语言的翻译，适用于全球市场，价格方面，新用户可以获得30积分的免费试用，之后可以根据需要升级计划。

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。