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。

开源多模态大型语言模型，支持实时语音输入和流式音频输出。

Mini-Omni是一个开源的多模态大型语言模型，能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能，无需额外的ASR或TTS模型。此外，它还可以在思考的同时进行语音输出，支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。

高精度环境音频信息捕捉与生成的语音转语音模型

Fish Agent V0.1 3B是一个开创性的语音转语音模型，能够以前所未有的精确度捕捉和生成环境音频信息。该模型采用了无语义标记架构，消除了传统语义编码器/解码器的需求。此外，它还是一个尖端的文本到语音(TTS)模型，训练数据涵盖了700,000小时的多语言音频内容。作为Qwen-2.5-3B-Instruct的继续预训练版本，它在200B语音和文本标记上进行了训练。该模型支持包括英语、中文在内的8种语言，每种语言的训练数据量不同，其中英语和中文各约300,000小时，其他语言各约20,000小时。

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。

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。

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。

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。

语音翻译多国语言

TranslateAudio是一款将您的声音翻译成多种语言的工具。它可以将您的视频本地化成不同语言，并使用您自己的声音进行翻译。它支持多种语言，包括西班牙语、印地语、德语、葡萄牙语、荷兰语、波兰语、意大利语、法语和英语。您只需提供YouTube视频链接，TranslateAudio会自动下载所需资源，并生成相应语言的音频。处理完成后，您可以在仪表板上看到下载链接，并通过电子邮件收到通知。

即时文本转语音，适用于需要即时音频反馈的应用

RealtimeTTS 是一个易于使用、低延迟的文本转语音库，用于实时应用。它可以将文本流转换为立即的音频输出。主要功能包括实时流式合成和播放、高级句子边界检测、模块化引擎设计等。该库支持多种文本到语音引擎，并适用于语音助手和需要即时音频反馈的应用。详细定价和定位信息请参考官方网站。

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。

一款通过纯语言模型实现的文本到语音合成模型

OuteTTS-0.1-350M是一款基于纯语言模型的文本到语音合成技术，它不需要外部适配器或复杂架构，通过精心设计的提示和音频标记实现高质量的语音合成。该模型基于LLaMa架构，使用350M参数，展示了直接使用语言模型进行语音合成的潜力。它通过三个步骤处理音频：使用WavTokenizer进行音频标记化、CTC强制对齐创建精确的单词到音频标记映射、以及遵循特定格式的结构化提示创建。OuteTTS的主要优点包括纯语言建模方法、声音克隆能力、与llama.cpp和GGUF格式的兼容性。

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。

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。

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。

阿里云推出的大型音频语言模型

Qwen2-Audio是由阿里云提出的大型音频语言模型，能够接受各种音频信号输入，并根据语音指令进行音频分析或直接文本回复。该模型支持两种不同的音频交互模式：语音聊天和音频分析。它在13个标准基准测试中表现出色，包括自动语音识别、语音到文本翻译、语音情感识别等。

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。

AI语音转文字，支持143种语言

DenoLyrics是一个基于人工智能模型的网络应用，支持143种语言，无论音频速度快慢。它可以将音频转换为文字，并提供实时的语音转录服务。我们的团队使用最先进的技术，为您提供高质量的转录体验。DenoLyrics还支持文本字幕、文本摘要和多语言翻译等功能。欢迎免费试用！

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。

免费AI音频过滤器，清理口语音频

Enhance Speech from Adobe是一款免费的AI音频过滤器，可以将口语音频处理得像在声音隔音工作室中录制的一样。它可以自动清除背景噪音，调整音量平衡，提升音频质量。用户可以将录音文件上传到该平台，通过AI算法进行音频优化处理。Enhance Speech from Adobe适用于广播、播客、音频制作等领域。该产品完全免费使用。

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。

基于自然语言查询的开放领域音频源分离模型

AudioSep是一种基于自然语言查询的开放领域音频源分离模型。它由文本编码器和分离模型两个关键组件组成。我们在大规模多模态数据集上训练AudioSep，并在许多任务上广泛评估其能力，包括音频事件分离、乐器分离和语音增强。AudioSep表现出强大的分离性能和令人印象深刻的零样本泛化能力，使用音频标题或文本标签作为查询，大大优于以前的音频查询和语言查询声音分离模型。为了保证本工作的可重复性，我们将发布源代码、评估基准和预训练模型。

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。

高度逼真的多语言文本到音频生成模型

Bark是由Suno开发的基于Transformer的文本到音频模型，能够生成逼真的多语言语音以及其他类型的音频，如音乐、背景噪声和简单音效。它还支持生成非语言交流，例如笑声、叹息和哭泣声。Bark支持研究社区，提供预训练模型检查点，适用于推理并可用于商业用途。

Hailuo AI Audio是一款创建逼真语音的音频合成工具。

Hailuo AI Audio利用先进的语音合成技术，将文本转换为自然流畅的语音。其主要优点是能够生成高质量、富有表现力的语音，适用于多种场景，如有声读物制作、语音播报等。该产品定位为专业级音频合成工具，目前提供限时免费体验，旨在为用户提供高效、便捷的语音生成解决方案。

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。

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。

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。

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。

AI生成语音音频的本地化水印技术

AudioSeal 是一种用于AI生成语音音频的本地化水印技术，具有最先进的鲁棒性和极快的检测速度。它通过联合训练一个嵌入水印的生成器和一个检测器，即使在音频编辑的情况下，也能在较长的音频中检测到水印片段。AudioSeal 设计了一个快速的单次通过检测器，检测速度比现有模型快两个数量级，非常适合大规模和实时应用。

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。