产品库

与任何大型语言模型进行快速的免提语音交互。

Open-LLM-VTuber 是一个开源项目，旨在通过语音与大型语言模型（LLM）进行交互，具有实时的Live2D面部捕捉和跨平台的长期记忆功能。该项目支持macOS、Windows和Linux平台，允许用户选择不同的语音识别和语音合成后端，以及自定义的长期记忆解决方案。它特别适合希望在不同平台上实现与AI进行自然语言对话的开发者和爱好者。

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。

提升网站AI语音交互和销售

Site Agent是一款AI语音助手产品，能够个性化地与访问网站的用户进行语音和文字对话，提升用户参与度并促进销售。它结合了最新的AI技术和类似人类对话的细腻触感，为每个客户互动带来价值。Site Agent提供个性化的对话和问答功能，帮助客户解决问题、获取信息和进行购买。它还具备智能推荐和语义理解功能，能够根据用户需求提供个性化建议。Site Agent的定价根据企业需求定制，提供免费试用和付费增值的选择。

WhatsApp语音助手，与ChatGPT通过语音信息交互

GabbyGPT是一个通过WhatsApp实现的AI语音助手，用户可以方便地通过语音信息与ChatGPT进行交互。它可以回答问题、提供信息、执行任务等。GabbyGPT的优势在于其简便易用的操作方式和智能的语音识别功能。定价方面，用户可以免费使用基本功能，或选择订阅高级功能的付费套餐。GabbyGPT适用于个人用户和商业用户，能够满足不同场景的需求。

通过网络摄像头将VTuber虚拟形象变为现实，提升直播体验。

VTuber Maker是一款面向虚拟主播（VTuber）的桌面软件，能够通过摄像头捕捉用户表情和动作，实时驱动虚拟形象进行直播或视频创作。它利用先进的面部追踪和动作捕捉技术，为用户提供稳定、高精度的虚拟形象驱动体验。该产品支持多种虚拟形象格式，包括VRM模型，并提供丰富的背景和道具资源，帮助用户快速创建个性化内容。VTuber Maker不仅适合个人创作者，也适用于商业直播场景，其订阅模式提供了免费和付费版本，满足不同用户需求。

使用自得语音技术，创造属于你的角色

自得语音技术可通过简单的步骤创造出属于你的角色。类似GPT，可生成与真人无异的语音片段，在情感、音色和语速等方面与真人一致。自得语音支持快速定制角色，只需要上传一段语音即可立即生成属于你的语音角色。无需下载软件，可在浏览器上完成语音生成。同时提供API接口，方便开发者集成到自己的产品中。商用用户可享受7x24小时的技术支持。

提供语音识别、语音合成等语音AI能力

依图语音开放平台为开发者提供语音识别、语音合成等语音AI能力,包括精准语音转文本、文本转语音合成、声纹识别、语音增强降噪等服务,支持不同场景下的语音交互应用开发。平台提供高效、灵活的语音AI能力接入方式,可轻松将语音技术应用于各类产品与业务场景。

实时语音提取智能耳机交互系统

LookOnceToHear 是一种创新的智能耳机交互系统，允许用户通过简单的视觉识别来选择想要听到的目标说话者。这项技术在 CHI 2024 上获得了最佳论文荣誉提名。它通过合成音频混合、头相关传输函数(HRTFs)和双耳房间脉冲响应(BRIRs)来实现实时语音提取，为用户提供了一种新颖的交互方式。

语音交互人工智能助手

魔撰写作是一款基于语音交互和软硬结合的人工智能助手，可以帮助用户完成日常生活中的各种任务，包括语音助手、智能家居控制、语音翻译、语音记事本等功能。小问智能的优势在于准确率高、响应速度快、支持多语言、可定制化等特点。定价方面，提供免费版和付费版两种选择，付费版功能更加丰富，价格合理。小问智能的定位是成为用户日常生活中的智能助手。

语音交互式语言学习App

Natulang是一个语音交互式的语言学习App。它利用语音生成和识别技术,让用户可以通过大声朗读对话来学习语言。相比其他注重打字的语言学习App,Natulang更注重语音交流,让用户培养语言表达的自信心。

低延迟的实时语音交互API

Realtime API 是 OpenAI 推出的一款低延迟语音交互API，它允许开发者在应用程序中构建快速的语音到语音体验。该API支持自然语音到语音对话，并可处理中断，类似于ChatGPT的高级语音模式。它通过WebSocket连接，支持功能调用，使得语音助手能够响应用户请求，触发动作或引入新上下文。该API的推出，意味着开发者不再需要组合多个模型来构建语音体验，而是可以通过单一API调用实现自然对话体验。

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。

改写、续写、生成PPT，数据处理，语音交互，WPS AI助你智能办公

WPS AI是一款智能办公助手，能够帮助用户完成文本改写、续写、生成PPT、数据处理、语音交互等多项功能。WPS AI的优势在于能够快速提高用户的工作效率，让用户更轻松地完成各种办公任务。WPS AI的定价分为免费版和付费版，用户可以根据自己的需求选择不同的版本。WPS AI的定位是智能办公领域的领先品牌。

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。

实时语音交互数字人，支持端到端语音方案

VideoChat是一个实时语音交互数字人项目，支持端到端语音方案（GLM-4-Voice - THG）和级联方案（ASR-LLM-TTS-THG）。用户可以自定义数字人的形象和音色，支持音色克隆，无需训练，首包延迟低至3秒。该项目利用了最新的人工智能技术，包括自动语音识别（ASR）、大型语言模型（LLM）、端到端多模态大型语言模型（MLLM）、文本到语音（TTS）和说话头生成（THG），为用户提供了一个高度定制化和低延迟的交互体验。

AI助手，通过语音和动画指导用户，提升网站交互体验。

Speek是一款AI驱动的助手，通过语音和动画鼠标指针指导用户在网站上的操作，帮助解答问题、引导用户了解网站功能，并简化购买决策。它通过提供实时帮助，结合支持和引导，快速安装并立即开始工作，改善用户体验，提升销售，并减少客户支持查询。

AI语音助手,代替您进行个性化回复

AI Twin是一个基于AI的虚拟助手,它可以在语音通话中准确地模拟您的声音及语调,从而以极其逼真的方式代表您进行交流。无论您是网红、专业人士、企业家还是时间紧迫的忙碌者,AI Twin都可以帮助您代理个性化的语音回复,使您能更专注于重要的事情。只需将AI Twin添加到您的个人资料中,它就可以为您处理语音通话中的交互应答,从而帮助您扩大影响力及建立更牢固的人脉关系。

使用AI语音表单收集数据

Waveform.ai 是一个利用人工智能技术通过语音表单收集数据的平台。它通过自然语言交互的方式，帮助用户在客户访谈、员工调查、市场研究和潜在客户生成等方面进行数据收集。该平台的主要优点包括：1. 更全面和深入的信息收集：通过AI驱动的调查，能够收集到更全面和有洞察力的数据，从而进行更深入的分析和做出更明智的决策。2. 更高的响应率：通过AI驱动的语音表单与用户进行自然互动，提高调查的响应率和用户满意度。3. 反映品牌身份：可以个性化语音和个性，以反映品牌身份，创造一致且难忘的用户体验。4. 时间和成本效益：与传统的人工数据收集方法相比，节省时间和降低成本，同时保持准确性和可靠性。

实时语音交互的人工智能对话系统。

Listening-while-Speaking Language Model (LSLM)是一款旨在提升人机交互自然度的人工智能对话模型。它通过全双工建模(FDM)技术，实现了在说话时同时监听的能力，增强了实时交互性，尤其是在生成内容不满意时能够被打断和实时响应。LSLM采用了基于token的解码器仅TTS进行语音生成，以及流式自监督学习(SSL)编码器进行实时音频输入，通过三种融合策略（早期融合、中期融合和晚期融合）探索最佳交互平衡。

Play.ai 是一个基于人工智能的语音交互平台，提供个性化的对话体验。

Play.ai 是一个先进的语音交互平台，它利用人工智能技术为用户提供流畅、自然的对话体验。该平台不仅能够理解用户的指令，还能根据上下文进行智能回应，为用户提供个性化的服务。Play.ai 的主要优点在于其高度的交互性和智能化，它能够适应不同用户的需求，提供定制化的对话服务。此外，Play.ai 还具有易于使用、快速响应等特点，使其成为企业和个人提升沟通效率的有力工具。

让ChatGPT具备语音功能

ChatGPT - 语音聊天是一个能够为ChatGPT增加语音交互功能的插件。用户可以通过快捷键进行语音提问，并听取ChatGPT生成的回答。

MinMo是一款多模态大型语言模型，用于无缝语音交互。

MinMo是阿里巴巴集团通义实验室开发的一款多模态大型语言模型，拥有约80亿参数，专注于实现无缝语音交互。它通过多个阶段的训练，包括语音到文本对齐、文本到语音对齐、语音到语音对齐和全双工交互对齐，在140万小时的多样化语音数据和广泛的语音任务上进行训练。MinMo在语音理解和生成的各种基准测试中达到了最先进的性能，同时保持了文本大型语言模型的能力，并支持全双工对话，即用户和系统之间的同时双向通信。此外，MinMo还提出了一种新颖且简单的语音解码器，在语音生成方面超越了以往的模型。MinMo的指令遵循能力得到了增强，支持根据用户指令控制语音生成，包括情感、方言和语速等细节，并模仿特定的声音。MinMo的语音到文本延迟约为100毫秒，全双工延迟理论上约为600毫秒，实际约为800毫秒。MinMo的开发旨在克服以往对齐多模态模型的主要限制，为用户提供更自然、流畅和人性化的语音交互体验。

真实文本转语音的AI语音生成平台

PlayHT AI语音生成器是一款能够使用人工智能技术将文本转化为自然、逼真的人类语音表演的工具。无论是哪种语言和口音，我们的语音AI都能瞬间将文本转化为自然流畅的语音。

赋予AI语音能力

AI Voice是一款能够赋予AI语音能力的插件，可以实时获取多个声音的音频回应，个性化控制声音、语速和音调，通过语音与GPT进行交互，轻量化界面，与多个文本生成AI模型兼容。

Step-Audio是一个开源智能语音交互框架，支持多语言对话、情感语调和语音克隆等功能。

Step-Audio是首个生产级开源智能语音交互框架，整合了语音理解与生成能力，支持多语言对话、情感语调、方言、语速和韵律风格控制。其核心技术包括130B参数多模态模型、生成式数据引擎、精细语音控制和增强智能。该框架通过开源模型和工具，推动智能语音交互技术的发展，适用于多种语音应用场景。

低延迟、高质量的端到端语音交互模型

LLaMA-Omni是一个基于Llama-3.1-8B-Instruct构建的低延迟、高质量的端到端语音交互模型，旨在实现GPT-4o级别的语音能力。该模型支持低延迟的语音交互，能够同时生成文本和语音响应。它在不到3天的时间内使用仅4个GPU完成训练，展示了其高效的训练能力。

智能语音助手，助您解决各种问题

智能语音助手是一款基于人工智能技术的语音交互工具。它可以回答各种问题，提供实时的天气、新闻、时间等信息，还可以执行音乐播放、日程安排、提醒等功能。通过简单的语音指令，用户可以与助手进行自然对话，获取需要的信息。智能语音助手支持多种语言，提供便捷的语音交互体验。

提供实时AI语音生成和AI客服代理服务，助力企业提升客户体验。

Smallest AI 是一家专注于提供实时 AI 服务的公司，旗下 Waves 和 Atoms 产品分别专注于生成高质量的 AI 语音和提供实时 AI 客服代理。Waves 能够实时生成任何口音、语言或情感的 AI 语音，适用于需要个性化语音交互的场景；Atoms 则通过 AI 与客户进行电话沟通，减轻企业客服负担。该技术的重要性在于能够帮助企业提升客户体验，同时降低人力成本。其定位是为企业提供高效、个性化的 AI 解决方案，具体价格未在页面中明确提及，但根据其服务性质推测可能为付费模式。

智能语音旗舰应用，无障碍语言记录与交流。

汉王语音王App是汉王科技基于自研多模态天地大模型，自主研发的智能语音旗舰应用。它集AI语音记录、智能翻译与同声传译于一体，支持AI精准转写、拍录同步、话稿整理、智能总结及不间断实时翻译等功能。依托全栈AI技术，汉王语音王致力于帮助用户跨越语言障碍，提高办公、学习、会议、旅游等场景的效率和便捷性。