产品库

SALMONN: 语音音频语言音乐开放神经网络

SALMONN是由清华大学电子工程系和字节跳动开发的大型语言模型（LLM），支持语音、音频事件和音乐输入。与仅支持语音或音频事件输入的模型不同，SALMONN可以感知和理解各种音频输入，从而获得多语言语音识别和翻译以及音频-语音共推理等新兴能力。这可以被视为给予LLM“听觉”和认知听觉能力，使SALMONN成为通向具有听觉能力的人工通用智能的一步。

Easy With AI是一个集成了50多个不同类别AI工具和资源的平台。

Easy With AI是一个拥有互联网上最大的AI工具和资源收藏的平台。您可以在50多个不同的类别中查找和搜索AI工具。Easy With AI为各种用户提供了便利和丰富的AI工具资源，包括AI写作助手、社交媒体工具、电子邮件工具、AI内容检测工具、客户服务工具、网站建设工具、电子商务工具、图像工具、音频工具、视频工具、音乐生成器、视频生成器、播客工具、演示制作工具、设计工具、直播工具、聊天机器人、语音工具、移动应用、转录工具、会议助手、建筑工具、生产力工具、教育工具、AI Chrome扩展和更多。您可以根据您的需求和兴趣，在Easy With AI上找到适合您的AI工具。

自然对话生成语音AI

Speaking AI是一款使用先进的大语言模型技术实现的文本到语音转换工具，能够以自然的情感进行对话并实现零样本语音克隆。它可以捕捉你独特的音调、音高和调节，让你以前所未有的方式复制和利用自己的声音。Speaking AI通过先进的技术实现了声音克隆的突破，让语音克隆听起来更加自然。使用Speaking AI，你可以通过录制自己的声音，在短短10秒钟内进行克隆。我们致力于将最先进的AI技术用于推动人类进步，特别是在促进语音克隆技术的发展和应用方面。

即时创建自然的声音音频

Acoust是一款强大的文本转语音（TTS）服务，使用最新的AI技术生成自然的声音音频。它提供30多种语言的200多种语音，并允许用户以MP3、WAV和OGG格式下载音频文件。使用Acoust，您可以为视频创建专业的配音，讲述有声读物，并增强培训材料。该服务快速、价格实惠、易于使用。

Orate 是一个专注于语音的 AI 工具包，支持文本转语音、语音转文本等功能。

Orate 是一个强大的 AI 语音工具包，能够将文本转换为逼真的语音，也可以将语音转换为文本，支持多种主流 AI 服务提供商。其主要优点是提供了一个统一的 API 接口，方便开发者快速集成和使用。该工具包适用于需要语音交互功能的应用开发，例如智能语音助手、语音播报系统等。其价格和具体定位尚未明确，但从其功能和社区反馈来看，具有较高的实用性和开发价值。

Maidio 是一款将 RSS 新闻内容通过 AI 转化为对话式播客的智能应用。

Maidio 是一款创新的音频内容应用，通过 AI 技术将 RSS 新闻自动转换为生动的对话式播客。它利用先进的自然语言处理技术，将新闻内容以主持人与助手的对话形式呈现，使用户能够以更有趣的方式获取信息。该应用支持多种个性化功能，如创建主题电台、智能优先级排序等，适合喜欢通过音频获取新闻的用户。它支持多平台使用，包括 iPhone、iPad、Mac 等，且完全免费。

麦悠电台，用AI技术将新闻转换为对话形式播报，打造个性化电台体验。

麦悠电台是一款利用AI技术实现新闻播报的APP。它通过智能算法将文字新闻转换为生动的对话形式，让用户在听新闻时有更自然、更有趣的体验。该产品的主要优点是个性化和智能化，用户可以根据自己的兴趣创建多个主题电台，APP会自动对新闻进行重要性分级。此外，它还支持本地和云端两种语音合成方式，以及音频导出功能，方便用户将生成的节目作为播客发布。麦悠电台由Fangtangjun (Chongqing) Technology Co., Ltd.开发，是一款免费的教育类APP，适合对新闻和AI技术感兴趣的用户。

您的终极智能解决方案AI助手。

Hailuo AI是一个智能AI助手，提供聊天、视频和音频等多种交互方式，能够轻松处理长文本上下文，帮助用户解决问题。它以强大的自然语言处理技术和友好的用户体验为特点，旨在为用户提供高效、智能的解决方案。产品定位为面向广大用户的通用AI助手，价格策略未明确说明。

MiniCPM-o 2.6：一款GPT-4o级别，可在手机上实现视觉、语音和多模态直播的MLLM。

MiniCPM-o 2.6 是OpenBMB团队开发的最新多模态大型语言模型（MLLM），具有8B参数，能够在手机等端侧设备上实现高质量的视觉、语音和多模态直播功能。该模型基于SigLip-400M、Whisper-medium-300M、ChatTTS-200M和Qwen2.5-7B构建，采用端到端的方式训练，性能与GPT-4o-202405相当。其主要优点包括领先的视觉能力、先进的语音能力、强大的多模态直播能力、强大的OCR能力以及优越的效率。该模型免费开源，适用于学术研究和商业用途。

播客分享平台，发现热门播客节目。

PodRedit是一个播客分享平台，用户可以在这里发现和收听各种热门播客节目。该平台汇集了众多优质的播客内容，覆盖了两性杂谈、文化、商业等多个领域，为用户提供了一个便捷的播客收听和分享渠道。PodRedit登录后支持批量识别字幕。PodRedit以其丰富的内容和便捷的用户体验，满足了用户对于高质量音频内容的需求，成为了播客爱好者的重要聚集地。

AI生成播客摘要，不错过任何精彩内容。

PodSnap.AI是一个利用尖端AI技术，为用户提供播客摘要的服务。用户可以通过订阅，将播客的AI生成摘要直接发送到他们的邮箱。这项服务帮助用户节省时间，快速获取播客中的关键信息，特别适合忙碌的专业人士和学习者。产品由拥有15年以上技术行业经验的企业家Dr. Rok Strniša创建，他曾在剑桥大学获得计算机科学博士学位，并在Citrix、Winton和Improbable等知名公司担任重要职位。

实时语音和视频AI平台

Outspeed是一个为构建快速、实时语音和视频AI应用提供网络和推理基础设施的平台。它由Google和MIT的工程师开发，旨在为实时AI应用提供直观且强大的工具，无论是构建下一个大型应用还是扩展现有解决方案，Outspeed都能帮助用户更快、更有信心地进行创新。

开源云平台，实现超低延迟的语音和视频AI。

Daily Bots是一个开源云平台，专注于提供超低延迟的语音和视频人工智能服务。它支持开发者构建和托管实时的全球基础设施上的代理，并利用快速增长的开源实时框架。该平台拥有全球实时云，提供5亿终端用户的13毫秒首跳延迟，符合SOC 2、HIPAA和GDPR标准。此外，Daily Bots提供了电话和工作流程的一站式企业连接解决方案，以及完整的PSTN和SIP堆栈。

提升阅读体验的智能阅读工具

Read Fast是一个旨在提升用户阅读体验和理解能力的智能阅读工具。它通过Quick Read功能将长篇文本压缩成简洁、易于管理的阅读材料，帮助用户在更短的时间内阅读更多书籍。此外，Translation功能让用户轻松探索新语言，并利用Vocabulary Builder进一步提升语言技能。Read Fast还提供个性化的阅读环境，通过Key Insights和Critical Analysis为用户提供全面的学习体验，并通过Question Generation功能实现个性化学习。

使用人工智能的能力，帮助用户更好、更快地写作。

GG Rewriter利用人工智能的能力，确保您的写作准确、引人入胜、独特。它可以帮助您提高学术作品的质量，撰写完美的专业电子邮件。

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。

使用 AI 聊天学习多种语言

通过与 AI 聊天，自然提高语言能力。支持 20 多种语言，提供实时纠错和解释，免费使用。

将博客文本转化为引人入胜的音频

ButterReader是一款创新的音频插件，将博客文本转化为引人入胜的音频内容，使学习和信息消费更加顺畅。通过定制播放器，您可以轻松地将文字内容转化为精彩的音频体验。产品具有设计灵活性、声音选择、控制设置等功能，适用于各种使用场景。ButterReader可以让用户在移动设备上无缝播放音频内容，让用户在多任务处理中也能欣赏内容。

让聊天 GPT 支持从右到左的文本

该插件帮助用户在从右到左书写的语言（如阿拉伯语）中使用该网站，并修复从右到左的语言与从左到右的语言（如英语）混合书写时出现的问题。它使得从右到左的文本能够正常显示和编辑。

音声通译，15种语言支持

Felo 瞬訳是一款智能手机应用，拥有世界首创的实时重写翻译（RRT）功能，满足同声传译的速度和翻译准确性的要求。支持超过13种语言的同声翻译，自动识别会话语言并保存翻译内容，用户可选择女性或男性的翻译音频。利用最新的人工智能技术，提供高速且精准的翻译结果，考虑了文本风格和语境，使翻译更加准确和丰富。适用于国际旅行、国际会议、交易展会等多种场景，也可用于学习外语和口语练习。

随时随地听文章

Ad Auris是一款能够将文章转换为语音并播放的应用。用户可以随时随地听取自己感兴趣的文章内容，同时支持保存到平台如Spotify。该应用定位于提升用户的阅读效率和便利性，使用户能够在忙碌的生活中享受阅读的乐趣。

多模态语言模型

SpeechGPT是一种多模态语言模型，具有内在的跨模态对话能力。它能够感知并生成多模态内容，遵循多模态人类指令。SpeechGPT-Gen是一种扩展了信息链的语音生成模型。SpeechAgents是一种具有多模态多代理系统的人类沟通模拟。SpeechTokenizer是一种统一的语音标记器，适用于语音语言模型。这些模型和数据集的发布日期和相关信息均可在官方网站上找到。

快速准确的自动转录服务

Konch是一款出色的自动转录平台，支持30多种语言。它使用先进的AI技术，快速准确地将音频或视频文件转录成文本。用户可以选择完全由AI生成的转录结果，或选择人工审核和修正。Konch还支持将YouTube视频转换为文本，并提供高级编辑功能、多语言翻译、灵活的文本格式导出等特点。用户可以在不同场景下使用Konch，如转录音频或视频、研究转录、数字档案、播客转录等。

Trancy为YouTube和Netflix提供AI双语字幕和ChatGPT AI网页翻译

Trancy通过提供AI双语字幕和ChatGPT AI网页翻译，帮助用户通过YouTube、Netflix、Udemy和Coursera学习语言。除了提供双语字幕外，我们还创新地开发了阅读和练习模式，通过OpenAI和ChatGPT3.5技术帮助您全面提高听说能力。您还可以通过收集视频、句子和单词来创建自己的学习数据库，并随时随地进行练习和巩固。

轻量快速频率感知扩散声码器

FreGrad是一款轻量快速的频率感知扩散声码器，旨在生成逼真的音频。其框架包括离散小波变换、频率感知扩张卷积和一系列增强模型生成质量的技巧。在实验中，FreGrad相比基准模型，训练速度提升3.7倍，推理速度提升2.2倍，同时模型大小减少0.6倍（仅178万参数），而不牺牲输出质量。

统一的多模态生成模型

Unified-IO 2是一个统一的多模态生成模型,能够理解和生成图像、文本、音频和动作。它使用单个编码器-解码器Transformer模型,将不同模式(图像、文本、音频、动作等)的输入和输出都表示为一个共享的语义空间进行处理。该模型从头开始在大规模的多模态预训练语料上进行训练,使用了多模态的去噪目标进行优化。为了学会广泛的技能,该模型还在120个现有数据集上进行微调,这些数据集包含提示和数据增强。Unified-IO 2在GRIT基准测试中达到了最先进的性能,在30多个基准测试中都取得了强劲的结果,包括图像生成和理解、文本理解、视频和音频理解以及机器人操作。

将您的收件箱转变成个性化的每日播客。

Jellypod+是一款将您的电子邮件订阅转化为个人播客的应用程序。它以音频为主要形式，为您忙碌的生活方式生成您每日新闻的简明摘要。Jellypod+的目标是打破传统媒体的“一刀切”模式，为您量身定制新闻，符合您独特的兴趣爱好。该应用程序还包括内置的电子邮件阅读器和简报转发功能，让您可以在不离开应用的情况下查看简报的详情，并自动将入站简报转发到您的个人收件箱。此外，Jellypod+还提供可调节的播放速度、多种不同的播音员选择、离线模式、定制播客生成计划、多个每日播客主题组织、无广告体验以及注重隐私的邮箱地址保护等功能。