产品库

极速语音识别，精准时间戳

OmniSenseVoice是基于SenseVoice优化的语音识别模型，专为快速推理和精确时间戳设计，提供更智能、更快速的音频转录方式。

自动语音识别工具，提供词级时间戳和说话人识别

BetterWhisperX是一个基于WhisperX改进的自动语音识别模型，它能够提供快速的语音转文字服务，并具备词级时间戳和说话人识别功能。这个工具对于需要处理大量音频数据的研究人员和开发者来说非常重要，因为它可以大幅提高语音数据处理的效率和准确性。产品背景基于OpenAI的Whisper模型，但做了进一步的优化和改进。目前，该项目是免费且开源的，定位于为开发者社区提供更高效、更准确的语音识别工具。

多语言文本转语音在线平台

Free Text to Speech Online Converter是一个多语言文本转语音的在线平台。它支持超过20种语言，拥有自然的发音，无需注册即可免费使用，转换速度快。

语音转文字,支持实时语音识别、录音文件识别等

腾讯云语音识别(ASR)为开发者提供语音转文字服务的最佳体验。语音识别服务具备识别准确率高、接入便捷、性能稳定等特点。腾讯云语音识别服务开放实时语音识别、一句话识别和录音文件识别三种服务形式,满足不同类型开发者需求。技术先进,性价比高,多语种支持,适用于客服、会议、法庭等多场景。

多语言高质量文本转语音库

MeloTTS是由MyShell.ai开发的多语言文本转语音库，支持英语、西班牙语、法语、中文、日语和韩语。它能够实现实时CPU推理，适用于多种场景，并且对开源社区开放，欢迎贡献。

多语种高精度语音识别模型

SenseVoiceSmall是一款具备多种语音理解能力的语音基础模型，包括自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。该模型经过超过40万小时的数据训练，支持超过50种语言，识别性能超越Whisper模型。其小型模型SenseVoice-Small采用非自回归端到端框架，推理延迟极低，处理10秒音频仅需70毫秒，比Whisper-Large快15倍。此外，SenseVoice还提供便捷的微调脚本和策略，支持多并发请求的服务部署管道，客户端语言包括Python、C++、HTML、Java和C#等。

在线文本转语音工具，支持多语言和自然发音。

TTSynth.com是一个免费的在线文本转语音(TTS)生成器，它使用先进的AI技术将书面文本转换为自然发音的语音。该服务支持多种语言和口音，适用于全球用户。它提供了高质量的音频输出，并且用户可以轻松下载TTS MP3文件。TTS技术在教育、营销、无障碍解决方案等多个领域都有广泛的应用。

多语言文本到语音转换模型

Fish Speech V1.4是一个领先的文本到语音(TTS)模型，它在多种语言的700,000小时音频数据上进行了训练。该模型支持包括英语、中文、德语、日语、法语、西班牙语、韩语和阿拉伯语在内的8种语言，是进行多语言文本到语音转换的强大工具。

现代国际化平台，快速实现产品多语言支持。

Quetzal是一个现代国际化平台，旨在帮助用户快速将产品翻译成多种语言，以获得全球新客户。该平台提供工具，支持20多种语言，与Next.js和React兼容，并且拥有快速设置流程，仅需约10分钟。Quetzal利用人工智能技术，结合应用程序的上下文，在几分钟内实现最佳翻译效果。它还提供了一个仪表板，让用户可以在一个地方查看和管理所有的字符串。产品背景信息显示，Quetzal由Quetzal Labs, Inc.在奥克兰精心打造，并且提供了一个慷慨的免费计划，直到用户添加第二种语言。

基于大型语言模型的语音识别技术。

Seed-ASR是由字节跳动公司开发的基于大型语言模型(Large Language Model, LLM)的语音识别模型。它通过将连续的语音表示和上下文信息输入到LLM中，利用LLM的能力，在大规模训练和上下文感知能力的引导下，显著提高了在包括多个领域、口音/方言和语言的综合评估集上的表现。与最近发布的大型ASR模型相比，Seed-ASR在中英文公共测试集上实现了10%-40%的词错误率降低，进一步证明了其强大的性能。

快速、多语言支持的OCR工具包

RapidOCR是一个基于ONNXRuntime、OpenVINO和PaddlePaddle的OCR多语言工具包。它将PaddleOCR模型转换为ONNX格式，支持Python/C++/Java/C#等多平台部署，具有快速、轻量级、智能的特点，并解决了PaddleOCR内存泄露的问题。

大型语言模型，支持多语言和编程语言文本生成。

Nemotron-4-340B-Base是由NVIDIA开发的大型语言模型，拥有3400亿参数，支持4096个token的上下文长度，适用于生成合成数据，帮助研究人员和开发者构建自己的大型语言模型。模型经过9万亿token的预训练，涵盖50多种自然语言和40多种编程语言。NVIDIA开放模型许可允许商业使用和派生模型的创建与分发，不声明对使用模型或派生模型生成的任何输出拥有所有权。

Qwen1.5系列首个千亿参数开源模型，多语言支持，高效Transformer解码器架构。

Qwen1.5-110B是Qwen1.5系列中规模最大的模型，拥有1100亿参数，支持多语言，采用高效的Transformer解码器架构，并包含分组查询注意力（GQA），在模型推理时更加高效。它在基础能力评估中与Meta-Llama3-70B相媲美，在Chat评估中表现出色，包括MT-Bench和AlpacaEval 2.0。该模型的发布展示了在模型规模扩展方面的巨大潜力，并且预示着未来通过扩展数据和模型规模，可以获得更大的性能提升。

免费多语言文本转语音工具

ttsMP3是一个免费的多语言文本转语音工具，支持28种以上的语言和口音。用户可以将文本转换为自然流利的语音，并可在线收听或下载为MP3文件。适用于电子学习、演示、YouTube视频以及提高网站的可访问性等场景。

在线文本转语音工具，支持74种语言及318种声音。

文字转语音工具是一款在线服务产品，它能够将文本内容转换成自然流畅的语音输出，支持74种不同的语言和318种不同的声音风格。这项技术的应用场景广泛，包括视频配音、有声读物制作、公告通知、出海营销和外语学习等。产品的主要优点包括支持多语言、多声音选择、无需下载安装、不限使用次数和时长，且完全免费。它为内容创作者、营销人员、教育工作者和语言学习者提供了极大的便利。

大型语言模型，支持多语言和代码数据

Mistral-Nemo-Instruct-2407是由Mistral AI和NVIDIA联合训练的大型语言模型（LLM），是Mistral-Nemo-Base-2407的指导微调版本。该模型在多语言和代码数据上进行了训练，显著优于大小相似或更小的现有模型。其主要特点包括：支持多语言和代码数据训练、128k上下文窗口、可替代Mistral 7B。模型架构包括40层、5120维、128头维、1436隐藏维、32个头、8个kv头（GQA）、2^17词汇量（约128k）、旋转嵌入（theta=1M）。该模型在多种基准测试中表现出色，如HellaSwag（0-shot）、Winogrande（0-shot）、OpenBookQA（0-shot）等。

多语言晚交互检索模型，支持嵌入和重排

Jina ColBERT v2是一个先进的晚交互检索模型，基于ColBERT架构构建，支持89种语言，并提供优越的检索性能、用户可控的输出维度和长达8192个token的文本处理能力。它在信息检索领域具有革命性的意义，通过晚交互评分近似于交叉编码器中的联合查询-文档注意力，同时保持了接近传统密集检索模型的推理效率。

让应用通过语音与文本的转换实现智能交互。

Azure 认知服务语音是微软推出的一款语音识别与合成服务，支持超过100种语言和方言的语音转文本和文本转语音功能。它通过创建可处理特定术语、背景噪音和重音的自定义语音模型，提高听录的准确度。此外，该服务还支持实时语音转文本、语音翻译、文本转语音等功能，适用于多种商业场景，如字幕生成、通话后听录分析、视频翻译等。

AI语音转换，支持30+种语言

VoiceDual是一款基于人工智能的语音转换工具，能够将您的声音转换为不同的语言或声音效果。无论您是想要在视频中添加不同语言的配音，还是想要给自己的声音添加特效，VoiceDual都能满足您的需求。该产品支持30多种语言，让您的声音可以轻松变换成全球各地的语言。VoiceDual定价灵活合理，适用于个人用户和小型团队，旨在为用户提供便捷、高效的语音转换体验。

高效自动语音识别模型

Whisper large-v3-turbo是OpenAI提出的一种先进的自动语音识别(ASR)和语音翻译模型。它在超过500万小时的标记数据上进行训练，能够在零样本设置中泛化到许多数据集和领域。该模型是Whisper large-v3的微调版本，解码层从32减少到4，以提高速度，但可能会略微降低质量。

为酒店提供多语言AI语音代理，提升客户体验并降低运营成本。

Riviera 是一款专为酒店行业设计的AI语音平台，旨在通过智能化的语音交互提升客户体验并优化酒店运营效率。它支持多语言对话，能够快速响应客户咨询，处理预订、房间服务等需求，同时通过数据分析提供个性化服务。该产品利用先进的AI技术，减少人工干预，降低运营成本，尤其适合酒店在高峰期减轻员工工作压力。其背景是随着酒店行业的数字化转型，客户对服务的即时性和个性化需求日益增长，Riviera 正是为满足这一需求而生。价格和具体定位需根据酒店规模和需求定制。

Kokoro TTS 是一款支持多语言和语音融合的高性能文本转语音工具，免费用于商业用途。

Kokoro TTS 是一款强大的文本转语音工具，支持多种语言和语音融合功能，能够将 EPUB、PDF 和 TXT 文件转换为高质量的语音输出。该工具为开发者和用户提供了灵活的语音定制选项，能够轻松创建专业级音频。其主要优点包括支持多语言、语音融合、灵活的输入格式以及免费的商业使用许可。该产品定位为创作者、开发者和企业提供了高效、低成本的语音合成解决方案，适用于有声书创作、视频旁白、播客制作、教育内容生成以及客户服务等多个场景。

通用语音识别模型

Whisper 是一个通用的语音识别模型。它经过大量多样化音频的训练，并且是一个多任务模型，可以进行多语言语音识别、语音翻译和语种识别。

多语言对话生成模型

Meta Llama 3.1是一系列预训练和指令调整的多语言大型语言模型（LLMs），支持8种语言，专为对话使用案例优化，并通过监督式微调（SFT）和人类反馈的强化学习（RLHF）来提高安全性和有用性。

多语言大型语言模型，优化对话场景。

Meta Llama 3.1是一系列多语言的大型预训练和指令调整的生成模型，包含8B、70B和405B大小的版本。这些模型专为多语言对话用例而优化，并在常见行业基准测试中表现优于许多开源和闭源聊天模型。模型使用优化的transformer架构，并通过监督式微调(SFT)和强化学习与人类反馈(RLHF)进行调整，以符合人类对有用性和安全性的偏好。

AI视频编辑工具，支持多语言和轻松分享

Loomos是一个AI视频编辑平台，可以将原始屏幕录像快速转换成高质量的视频。它通过AI技术编辑字幕，去除多余的“嗯”和“啊”，并提供20多种语言的翻译和专业的AI配音。这个平台特别适合需要快速制作专业视频演示、广告和销售视频的用户。Loomos提供了多种定价计划，满足不同用户的需求，从免费计划到企业定制计划，用户可以根据自己的预算和需求选择合适的服务。

最先进的12B模型，支持多语言应用

Mistral NeMo 是由 Mistral AI 与 NVIDIA 合作构建的 12B 模型，具有 128k 个令牌的大型上下文窗口。它在推理、世界知识和编码准确性方面处于领先地位。该模型专为全球多语言应用程序设计，支持英语、法语、德语、西班牙语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语和印地语等多种语言。Mistral NeMo 还使用了新的分词器 Tekken，提高了文本和源代码的压缩效率。此外，该模型经过指令微调，提升了遵循精确指令、推理、处理多轮对话和生成代码的能力。

PengChengStarling 是一个基于 icefall 项目的多语言自动语音识别（ASR）模型开发工具包。

PengChengStarling 是一个专注于多语言自动语音识别（ASR）的开源工具包，基于 icefall 项目开发。它支持完整的 ASR 流程，包括数据处理、模型训练、推理、微调和部署。该工具包通过优化参数配置和集成语言 ID 到 RNN-Transducer 架构中，显著提升了多语言 ASR 系统的性能。其主要优点包括高效的多语言支持、灵活的配置设计以及强大的推理性能。PengChengStarling 的模型在多种语言上表现出色，且模型规模较小，推理速度极快，适合需要高效语音识别的场景。

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。

最新的视觉语言模型，支持多语言和多模态理解

Qwen2-VL-72B是Qwen-VL模型的最新迭代，代表了近一年的创新成果。该模型在视觉理解基准测试中取得了最新的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。它能够理解超过20分钟的视频，并可以集成到手机、机器人等设备中，进行基于视觉环境和文本指令的自动操作。除了英语和中文，Qwen2-VL现在还支持图像中不同语言文本的理解，包括大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。模型架构更新包括Naive Dynamic Resolution和Multimodal Rotary Position Embedding (M-ROPE)，增强了其多模态处理能力。