产品库

使用Meta AI进行音频分离，可通过文本、视觉或时间提示编辑音频。

SAM Audio是由Metakey推出的一款基于Meta的Segment Anything Audio Model的音频分离工具。它利用多模态提示（文本描述、视觉提示或时间跨度）从复杂音频混合物中分离出特定声音，输出高质量的目标和残余音频轨道。该产品定位为专业音频编辑，适用于音乐制作、播客编辑等领域。其主要优点包括AI驱动的音频分离、支持多种提示方式、统一模型处理多种音频分离任务、保留原始采样率等。产品价格为免费。

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。

Kimi-Audio 是一个开源音频基础模型，擅长音频理解与生成。

Kimi-Audio 是一个先进的开源音频基础模型，旨在处理多种音频处理任务，如语音识别和音频对话。该模型在超过 1300 万小时的多样化音频数据和文本数据上进行了大规模预训练，具有强大的音频推理和语言理解能力。它的主要优点包括优秀的性能和灵活性，适合研究人员和开发者进行音频相关的研究与开发。

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。

从音频中隔离人声或背景音乐

Audio Isolation 是 ElevenLabs 提供的一项在线音频处理服务，专注于从音频中分离出人声或背景音乐。这项技术在音乐制作、视频后期制作等领域具有重要应用价值，能够显著提高音频编辑的效率和质量。产品通过 API 提供服务，支持多种编程语言的调用，具有高度的灵活性和便捷性。定价方面，API 按照处理的音频字符数每分钟收费，具体价格未在页面上明确标注。

强大的AI人声移除器，可免费快速分离歌曲人声，制作高质量音轨。

该产品是基于先进AI技术的在线人声移除工具。其重要性在于为音乐创作、娱乐等领域提供了便捷的人声与乐器分离解决方案。主要优点包括无需下载和注册、无广告、处理速度快、输出音频质量高。产品背景是满足用户对于免费、高效分离歌曲人声的需求。价格方面完全免费，定位面向创作者、专业人士、音乐爱好者等广泛人群。

Meta的单图像3D重建模型，融合SAM 3分割与几何纹理布局预测生成3D资产

sam3d是Meta推出的研究级单图像3D重建模型，它将SAM 3的开放词汇分割与几何、纹理和布局预测相融合，能直接从单张RGB图像生成3D资产。该模型具有开源的检查点、推理代码和基准数据集，方便进行可重复的研究和生产试点。其重要性在于降低了3D重建的硬件和设置复杂度，提高了重建效率。主要优点包括单图像输入、开放词汇分割、开放生态系统、适用于XR、高效输入和有明确的评估套件等。产品免费开源，定位于创意工具、电商AR购物、机器人感知和科学可视化等领域。

在线音轨分离工具

vocalremover org是一个在线音轨分离工具，可以将音乐中的人声和伴奏分离出来。它具有简单易用的界面，能够快速高效地分离音轨，并且可以导出分离后的音频文件。vocalremover org支持多种音频格式，并且完全免费使用。

免费在线使用经典的Microsoft SAM文本转语音服务。

Microsoft SAM TTS是一款基于Windows XP声音的文本转语音工具。它的重要性在于保留了经典的Microsoft SAM声音，让用户可以体验到Windows XP时代的怀旧感。

将播客、音频文件或网址转换为文本，并获取智能摘要。

Audio Transcription是一款利用AI技术将音频内容转换为文本的在线工具。它能够帮助用户快速准确地将播客、音频文件或网址中的音频内容转写成文本形式，并提供智能摘要，极大地提高了工作效率。该产品主要面向需要处理大量音频资料的用户，如媒体工作者、研究人员等。它具有高效、准确、便捷等优点，价格亲民，定位明确，旨在为用户提供高效、准确的音频转写服务。

一站式在线音频工具

Audio Muse是一个提供一站式在线音频处理需求的平台，它拥有全面的音频工具集合，用户可以轻松使用。该产品以其易用性、多功能性和AI音乐创作功能而受到音乐爱好者和创作者的欢迎。它支持用户在线创建独特的背景音乐，选择不同的音乐风格、主题和情绪，利用人工智能技术生成无限音乐。产品背景信息显示，已有1.4K音乐爱好者在此汇聚，1K创作者在此生成了超过1.5K的音乐曲目。

生成式AI文本到语音转换及声音克隆平台

Fish Audio是一个提供文本到语音转换服务的平台，利用生成式AI技术，用户可以将文本转换为自然流畅的语音。该平台支持声音克隆技术，允许用户创建和使用个性化的声音。它适用于娱乐、教育和商业等多种场景，为用户提供了一种创新的交互方式。

录音转文字,支持AI改写文字

Audio Note是一个录音笔记APP。它可以把您的语音记录转化成文本,还可以用AI技术改写您的文本,生成各种格式的内容,如待办事项列表、推文、领英帖子、电子邮件等。无论您需要整理任务、分享想法、与他人互动还是进行有效沟通,Audio Note都可以帮助您轻松完成。

用AI创作音乐，免费试用

Stable Audio是一款AI音乐生成工具，可根据用户的描述生成定制长度的音乐，支持商业使用。其高质量音频生成和商业授权让音乐创作更加简单。Stable Audio的使命是为创作者提供音乐创作工具，帮助他们实现音乐创作的梦想。

Pop2Piano: Pop Audio-Based Piano Cover Generation

Pop2Piano是一个基于流行音乐的钢琴翻奏生成工具。它能够将流行歌曲转化为钢琴翻奏版本，并提供多种不同风格的钢琴翻奏选择。Pop2Piano具有易于使用的界面和高质量的音频输出。用户可以通过选择不同的歌曲和钢琴翻奏风格来生成自己喜欢的钢琴翻奏曲目。

利用多指令视频到音频合成技术

Draw an Audio是一个创新的视频到音频合成技术，它通过多指令控制，能够根据视频内容生成高质量的同步音频。这项技术不仅提升了音频生成的可控性和灵活性，还能够在多阶段产生混合音频，展现出更广泛的实际应用潜力。

上传音频文件，轻松进行对话分析。

Audio Chat是一个专注于音频文件处理的网站，它允许用户上传讲座、会议或面试等音频文件，并进行对话分析。该产品通过先进的音频处理技术，帮助用户快速获取对话内容的要点，提高学习和工作效率。

思维记录，语音转文本

Audio Writer将您的语音即时转换为清晰、连贯的文字。不仅如此，我们还可以帮助您将思维转化为各种格式的内容。支持多种语言转录，提供错误自动修正，可根据不同风格进行重写，并可以导出不同格式的内容。作为您的最佳助手，适用于笔记记录、内容创作、演讲稿等场景。

捕捉生活瞬间的智能语音日记

Audio Diary是一款智能语音日记应用，帮助您记录珍贵时刻，练习感恩，并实现大大小小的目标。

基于Meta的SAM 3D模型，可秒将单张图像转换成高质量3D模型。

SAM 3D是一款在线工具，基于Meta的SAM 3D研究模型，可将单张图像快速转换为高质量的3D模型。其重要性在于打破了传统摄影测量和仅使用合成数据训练的限制，为3D重建带来了语义理解。主要优点包括在复杂真实场景下的高鲁棒性、快速推理、支持标准3D格式导出等。产品背景是Meta在计算机视觉领域的研究成果，页面未提及价格信息，定位是为用户提供便捷的3D重建服务。

通过音频扩散模型实现源分离和合成的创新方法。

Audio-SDS 是一个将 Score Distillation Sampling（SDS）概念应用于音频扩散模型的框架。该技术能够在不需要专门数据集的情况下，利用大型预训练模型进行多种音频任务，如物理引导的冲击声合成和基于提示的源分离。其主要优点在于通过一系列迭代优化，使得复杂的音频生成任务变得更为高效。此技术具有广泛的应用前景，能够为未来的音频生成和处理研究提供坚实基础。

为 ChatGPT 的“朗读”功能提供音频播放器，提升用户体验。

该产品是一个 Chrome 扩展程序，旨在改善 ChatGPT 的朗读功能。通过显示一个音频播放器，用户可以更方便地控制朗读过程，如暂停、快进等。它主要面向视力不佳或喜欢听读的用户，帮助他们更高效地使用 ChatGPT。该产品是开源的，用户可以选择安装扩展程序或手动将代码集成到自己的脚本管理器中。其免费的特性使其具有较高的可访问性。

将文档转化为AI生成的音频讨论，便于学习和记忆。

NotebookLM是一款帮助用户理解复杂信息的工具，通过摘要和提供相关引用来简化信息的获取。它现在提供了一个名为'Audio Overview'的新功能，用户可以通过一键操作，将文档、幻灯片、图表等转化为AI生成的音频讨论。这些讨论不仅总结了材料内容，还在主题之间建立联系，并且可以下载以便随时随地收听。尽管Audio Overview仍处于实验阶段，存在一些限制，例如生成大型笔记本的音频概述可能需要几分钟时间，并且AI主持人目前只能使用英语进行解释，有时可能会引入不准确的内容，用户还不能打断它们。但这个功能为那些通过听对话来学习和记忆效果更好的人提供了新的学习方式。

音乐生成模型，通过控制网络进行微调。

Stable Audio ControlNet 是一个基于 Stable Audio Open 的音乐生成模型，通过 DiT ControlNet 进行微调，能够在具有 16GB VRAM 的 GPU 上使用，支持音频控制。此模型仍在开发中，但已经能够实现音乐的生成和控制，具有重要的技术意义和应用前景。

开源音频样本和声音设计模型

Stable Audio Open是一个开源的文本到音频模型，专为生成短音频样本、音效和制作元素而优化。它允许用户通过简单的文本提示生成高达47秒的高质量音频数据，特别适用于创造鼓点、乐器即兴演奏、环境声音、拟音录音等音乐制作和声音设计。开源发布的关键好处是用户可以根据自己的自定义音频数据微调模型。

生成全身照片级人形化身的框架

Audio to Photoreal Embodiment是一个生成全身照片级人形化身的框架。它根据对话动态生成面部、身体和手部的多种姿势动作。其方法的关键在于通过将向量量化的样本多样性与扩散所获得的高频细节相结合，生成更具动态和表现力的动作。通过高度逼真的人形化身可视化生成的动作，能够表达出姿势中的重要细微差别（例如嘲笑和傲慢）。为了促进这一研究方向，我们引入了一种首次亮相的多视图对话数据集，可以进行照片级重建。实验证明，我们的模型生成了合适且多样化的动作，表现优于扩散和仅向量量化的方法。此外，我们的感知评估突出了在准确评估对话姿势中的微妙动作细节方面，照片级真实感（与网格）的重要性。代码和数据集可在线获取。

高精度转写工具

转写这个是一款高精度转写工具，通过AI算法实现快速、准确的音频转写，让您更专注于重要任务。告别耗时且容易出错的手动转写，提升您的工作效率。支持近60种语言，可将采访、会议、播客或讲座等转换为文字。以可靠的72小时全额退款保证，无风险试用。

轻松捕捉和完善你的音频创意

Bangin' Audio Recorder是一款专为苹果平台设计的应用程序，旨在简化声音捕捉和想法发展的过程。由音乐作曲家、开发者Alistair Cooper创立，该应用支持高质量单声道或立体声音频录制，具备定制的语音时间戳算法，便于用户扫描和跳过语音录音。它还提供星级评分功能，帮助用户筛选出最佳创意，并支持标签、项目和搜索功能，以保持用户对重要录音的专注。此外，它还具备iCloud同步功能，确保用户在所有苹果设备上的录音保持最新。

为博客或新闻网站添加类人声旁白

ElevenLabs Audio Native 是一款自动化的嵌入式语音播放器，它可以为任何文章、博客或新闻简报自动生成类人声旁白。它具有可定制性、易于设置，并有助于提高读者参与度，同时使内容对全球的读者和听众更加易于访问。

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。