产品库

Origlio - 音频转文字和更多服务

Origlio是一款音频转文字的服务，还提供更多功能。它可以将您的音频消息转录成文字，帮助您管理和整理语音消息。您可以将音频转发给Origlio，几秒钟后即可获得转录结果。除了音频转录，Origlio还提供丰富的响应功能，帮助您更好地完成日常工作。

轻松转录视频、音频和语音为文本字幕

Memo是一个桌面应用程序,可以方便地将YouTube视频、播客和本地媒体文件转录为文本。它支持多种语言的转录和翻译,可以在转录的同时实时生成字幕和浮动注释,并可以轻松导出为SRT字幕、Markdown和Notion笔记等格式。Memo使用前沿的AI技术,可以进行语音识别和翻译,提供精准的转录。它支持Windows和MacOS,使用简单,数据处理在本地完成,可以离线使用,保证内容安全隐私。

Alexa+ 是亚马逊推出的下一代智能语音助手，通过生成式 AI 提供更智能、个性化的服务。

Alexa+ 是亚马逊在 2025 年推出的下一代智能语音助手，基于生成式 AI 技术构建。它不仅能够进行自然流畅的对话，还能连接数千种服务和设备，帮助用户完成各种任务。其核心优势在于强大的语言理解能力、个性化服务以及无缝的设备集成。Alexa+ 的推出标志着语音助手从简单的问答工具向真正的智能生活助手的转变，能够帮助用户更好地管理日常生活和智能家居设备。

Gemini 2.0 Flash-Lite 是高效的语言模型，专为长文本处理和多种应用场景优化。

Gemini 2.0 Flash-Lite 是 Google 推出的高效语言模型，专为长文本处理和复杂任务优化。它在推理、多模态、数学和事实性基准测试中表现出色，具备简化的价格策略，使得百万级上下文窗口更加经济实惠。Gemini 2.0 Flash-Lite 已在 Google AI Studio 和 Vertex AI 中全面开放，适合企业级生产使用。

一个用于生成播客及其他音频文件转录文本的工具，支持多种语言模型和语音识别API。

Podscript 是一个强大的音频转录工具，它利用语言模型和语音到文本（STT）API，为播客和其他音频内容生成高质量的转录文本。该工具支持多种流行的STT服务，如Deepgram、AssemblyAI和Groq，并且可以处理YouTube视频的自动生成字幕。Podscript的主要优点是其灵活性和易用性，用户可以通过简单的命令行界面或方便的Web界面来操作。它适用于播客创作者、内容制作者以及需要快速转录音频的用户。Podscript是开源的，用户可以根据自己的需求进行定制和扩展。

百聆是一个类似GPT-4o的语音对话机器人，通过ASR+LLM+TTS实现，低配置也可运行，支持打断。

百聆是一个开源的语音对话助手，旨在通过语音与用户进行自然的对话。该项目结合了语音识别(ASR)、语音活动检测(VAD)、大语言模型(LLM)和语音合成(TTS)技术，提供高质量的语音对话体验。其主要优点是无需GPU即可实现类GPT-4o的对话效果，适用于各种边缘设备和低资源环境。百聆完全开源，鼓励社区贡献与二次开发，用户可以根据自己的需求进行定制和优化。

构建您的AI驱动知识库

Nullity AI是一个AI驱动的知识库构建平台，允许用户从文档、音频、PDF和网站中创建内部和可共享的空间，并构建自己的搜索引擎。该产品通过整合多种媒介的信息，提供强大的搜索和索引功能，帮助用户有效管理和检索信息。产品背景信息显示，Nullity AI旨在通过AI技术革新信息管理与检索过程，其主要优点包括多模态数据处理、高精度的AI转录服务、以及对复杂动态网站的智能爬取能力。产品定位于需要高效知识管理和信息检索的企业或组织。

视频分析工具，结合Llama视觉模型和OpenAI Whisper进行本地视频描述生成。

video-analyzer是一个视频分析工具，它结合了Llama的11B视觉模型和OpenAI的Whisper模型，通过提取关键帧、将它们输入视觉模型以获取细节，并结合每个帧的细节和可用的转录内容来描述视频中发生的事情。这个工具代表了计算机视觉、音频转录和自然语言处理的结合，能够生成视频内容的详细描述。它的主要优点包括完全本地运行无需云服务或API密钥、智能提取视频关键帧、使用OpenAI的Whisper进行高质量音频转录、使用Ollama和Llama3.2 11B视觉模型进行帧分析，以及生成自然语言描述的视频内容。

智能语音助手，简化日常任务管理。

Voxa是一个智能语音助手，旨在通过简单的语音命令简化用户的日常生活和工作流程。它集成了任务管理、日程安排、笔记记录和提醒功能，通过与Google Tasks和Google Calendar的无缝集成，提高了用户的工作效率。Voxa的主要优点包括语音任务管理、事件规划和灵活的笔记记录，它通过减少在不同工具间切换的时间，减少时间和注意力的损失，降低压力，提高生产力。Voxa的价格定位是一次性支付9美元，即可获得所有功能，包括无限语音命令、高级语音识别和多设备同步等。

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。

使用AI技术将WhatsApp音频消息转文字并生成摘要

Kaption AI是一款Chrome浏览器插件，它利用人工智能技术将WhatsApp上的音频消息转换成文字，并提供消息摘要和回复建议。这款插件重视用户隐私和安全性，采用先进的AI技术实现准确的转录和总结。它特别适合那些经常使用WhatsApp且难以听取长音频消息的用户，帮助他们节省时间，只关注重要的信息。

利用OpenAI的Whisper模型转录YouTube视频

Youtube-Whisper是一个基于Gradio的应用程序，它通过提取YouTube视频的音频并使用OpenAI的Whisper模型来转录成文本。这个工具对于需要将视频内容转化为文本以进行分析、存档或翻译的用户来说非常有用。它利用了最新的人工智能技术，提高了视频内容的可访问性和可用性。

构建智能多模态语音助手的端到端框架。

LiveKit Agents 是一个端到端框架，它使开发者能够构建能够通过语音、视频和数据通道与用户互动的智能多模态语音助手（AI代理）。它通过集成OpenAI的实时API和LiveKit的WebRTC基础设施，提供了创建语音助手的快速入门指南，包括语音识别（STT）、语言模型（LLM）和文本转语音（TTS）的流水线。此外，它还支持创建语音到语音代理、接听和响应来电、以及代表用户拨打电话的功能。

快速、准确、免费的音频转文字服务

AIbase音频提取文字工具利用人工智能技术，通过机器学习模型快速生成高质量的音频文本描述，优化文本排版，提升可读性，同时完全免费使用，无需安装、下载或付款，为创意人员提供便捷的基础服务。

快速AI语音助手

Swift是一个由Groq、Cartesia和Vercel支持的快速AI语音助手。它使用Groq进行OpenAI Whisper和Meta Llama 3的快速推理，Cartesia的Sonic语音模型进行快速语音合成，并实时流式传输到前端。VAD技术用于检测用户说话并运行语音片段上的回调。Swift是一个使用TypeScript编写的Next.js项目，并部署在Vercel上。

实验室数字化助手，提升科研效率。

Ascenscia是一个专门针对科学实验室设计的AI语音助手，通过与实验室软件和机器的集成，实现免提交互，加速数据收集，优化工作流程，减少错误，并加速研发周期。产品具备97%的准确率理解复杂科学术语，支持端到端加密确保数据安全，提供多语言服务，并可定制以适应不同实验室的独特需求。

将小爱音箱接入ChatGPT，打造专属智能家居语音助手。

MiGPT是一个通过将小爱音箱与ChatGPT的智能理解能力相结合，实现智能家居语音控制的项目。它不仅支持设备自动化，还能够通过角色扮演、流式响应、长短期记忆等技术，让智能家居设备更智能、更贴心地响应用户的指令。MiGPT支持Docker和Node.js两种启动方式，用户可以根据自己的需求进行选择。

一款快速流畅的语音AI助手。

Jib是一款基于语音的人工智能助手，它快速且流畅，以至于几乎无法分辨它是一个机器人。它支持完全免提操作，非常适合在移动中、在车内或步行时使用。Jib能够处理中断，用户可以在其回应过程中随时打断它，而不会让它失去节奏。用户可以调整Jib的语速以适应自己的需求，并且可以自定义提示语，甚至为不同的提示语选择不同的声音。Jib目前处于公测阶段，用户可以免费使用。

GPT4 Omni是一款远不止于语音助手的产品。

GPT4 Omni是一种全新的模型，可以处理文本、视觉和音频，具有多模态功能。它在语音能力方面具有革命性，同时还具备文本、图像和音频处理的能力。GPT4 Omni的优势是可以同时处理和生成多种主要模态，且响应时间较快。

GPT4 Omni是一款更多功能的语音助手。

GPT4 Omni是一款多模态模型，能处理和生成文本、音频和图像。它结合了OpenAI的Whisper和TTS技术，具有更好的推理能力和更低的延迟。GPT4 Omni是OpenAI目前最先进的模型，具有革命性的多模态能力，为用户提供了更多的创造力和灵活性。它的价格更低且更高效，代表了人工智能技术的新一代。

开源框架，用于构建语音和多模态对话AI。

Pipecat是一个开源框架，用于构建语音和多模态对话代理，如个人教练、会议助手、儿童故事玩具、客户支持机器人、接待流程和机智的社交伴侣。它支持本地运行，并可迁移到云端，集成了多种AI服务和传输方式，具有高度的可定制性和扩展性。

提升您每天的对话体验

Ongkanon是一款智能对话AI助手，提供有意义且上下文相关的对话体验。它能够自然地与您交谈，就像与亲密的朋友聊天一样。Ongkanon会根据您的偏好进行个性化定制，还能记住以前对话的上下文，以便进行更连贯、有意义的交互。

您的智能AI语音驱动型预算助手

Blahget是一款先进的AI预算助手,可简化财务管理。它利用GPT-4驱动的语音识别技术,实现无缝跟踪支出和收入。从今天开始您的智能预算之旅吧。它可以通过语音快速创建、编辑和删除记录,支持搜索、筛选和排序等操作,并可执行数学计算。迄今已记录超过10万条数据条目。

网页浏览器中的音频转录,支持链接、文件或语音录制

这是一款基于AI技术的网页音频转录产品,可以直接在浏览器中将音频链接、上传的音频文件或语音录制转换为文字。它具有以下优势:1)无需下载安装,在线即可使用;2)支持多种音频输入方式;3)AI语音识别技术,准确高效;4)操作简单,界面友好。该产品主要面向需要将音频内容转录为文字的人群,如视频制作者、播客主播、记者等,帮助他们提高工作效率。

音频转文字及视频字幕服务

Happy Scribe 提供自动和人工转录服务，将音频转换为文本，准确率达到 85-99%，支持 120 多种语言和 45 多种格式。定位于为用户提供高效的音视频转录及字幕服务。

扩展ChatGPT，语音控制与朗读

Voice Control for ChatGPT x Mia AI是一个扩展，为ChatGPT提供语音控制和朗读功能。通过录音按钮，您可以录制并发送语音查询给ChatGPT，无需打字。AI的回答会朗读出来，确保流畅的听觉交互。此外，该插件还可以将ChatGPT变成您的个人语音助手，具备Mia AI的功能。

个人语音和视觉助手

Unitor.ai是一个个人语音和视觉助手，提供自然、温暖的语音对话，适用于所有年龄段和兴趣。它能够随着每次互动变得更加智能，帮助用户组织生活、提供情感支持和建议，以及在驾驶或工作时提供免提帮助。

AI音频工具 - 轻松转录音频

AI Audio Kit是一款使用OpenAI官方Whisper API在macOS上进行音频转录的工具。它使用先进的AI技术来实现精确转录，无需繁琐的上传步骤，同时支持长文本摘要功能。AI Audio Kit以9美元的价格提供，旨在节省用户的时间和精力。

雷鸟自主研发的AI语音助手

RayNeo AI是雷鸟自主研发的人工智能语音助手,集成了自然语言处理、语音识别、语音合成等核心技术,可实现自然语言交互、语音控制等功能。该产品已在雷鸟XR系列产品中进行内测,支持行程规划、天气查询、百科知识问答等服务,提升了产品的智能化水平。下一步,RayNeo AI计划推出视觉识别等多模态交互能力,实现更丰富的人机交互体验。

转录任何语音、音频、视频到文字

Voicetapp是一个强大的基于云端的人工智能软件，通过最新的语音识别技术，帮助您将任何语音、音频和视频自动转换为文字。具备高达99%的准确度。支持170种语言和方言。具备演讲者识别、实时转录、多种音频输入格式等功能。提供不同的定价计划。