产品库

一款基于多模态模型的语音翻译产品，支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。

SeamlessM4T是一款基于多模态模型的语音翻译产品，支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。该产品采用了全新的多任务UnitY模型架构，能够直接生成翻译文本和语音。SeamlessM4T的自我监督语音编码器w2v-BERT 2.0通过分析数百万小时的多语言语音，学习如何在语音中找到结构和意义。该产品还提供了SONAR、SpeechLASER等多语言语音和文本数据集，以及fairseq2等序列建模工具包。SeamlessM4T的发布，标志着AI技术在实现语音翻译方面取得了重大突破。

基于少量语音样本生成逼真的人声音频

Voice Engine是一种先进的语音合成模型,它仅需15秒的语音样本,便能生成与原始说话人极为相似的自然语音。该模型广泛应用于教育、娱乐、医疗等领域,可为非读写人群提供朗读辅助、为视频和播客内容翻译语音、为非语言人群赋予独特语音等。其显著优势在于所需语音样本少、生成语音质量高、支持多语种。Voice Engine目前处于小规模预览阶段,OpenAI正在与各界人士探讨其潜在应用和伦理挑战。

转换和翻译 YouTube 视频中的声音

TurnVoice 是一个命令行工具，可以转换和翻译 YouTube 视频中的声音。它提供了语音转换和语音翻译的功能，可以替换特定的发言人声音，支持本地文件处理，并保留原始背景音频。该工具使用了多个语音合成引擎，并支持多种语言。TurnVoice 适用于各种场景，如创意视频制作、语音翻译等。该产品目前处于开发阶段，支持的功能和定价等详细信息请参考官方网站。

快速准确 稳定可靠的人工智能翻译平台

讯飞智能翻译是一款快速准确、稳定可靠的人工智能翻译平台。支持文档翻译、文本翻译、语音翻译和图片翻译等多种功能。通过23种文档格式的支持，保留原版格式样式和排版，支持文档内图片翻译。覆盖140种语种互译，支持源语言语种自动检测，实现快速翻译。结合讯飞先进的语音识别和翻译技术，满足跨语言的沟通交流。输入图片，即可快速识别图片中的文本内容，进行翻译。提供SaaS、私有化部署和API接口等多种解决方案，满足不同企业的需求。

实时语音翻译，打破语言障碍

Interpre-X 是一款实时语音翻译工具，支持10多种语言，帮助用户在任何地方打破语言障碍。通过最先进的人工智能技术，提供语音到语音、语音到文字、文字到语音和文字到文字的翻译服务。无需额外设备，只需良好的网络连接即可使用。Interpre-X 提供高质量的翻译，以自然、人类质量的声音和准确的口音进行播放。适用于社交、旅行、观看电视、学习语言以及与不同语言的朋友交流等场景。现已推出beta版，欢迎试用。

桌面客户端，语音翻译和语音合成

SpeechLab是一款桌面客户端，提供语音翻译和语音合成功能。它能够帮助用户进行语音翻译，将语言转换成其他语言，同时还能够合成语音，将文字转换成自然流畅的语音。SpeechLab的优势在于其高质量的语音合成技术，可以生成与人类声音相似的合成语音。SpeechLab的定价为免费试用和付费订阅两种方式，具体定价可在官方网站上查看。SpeechLab定位于帮助用户跨越语言障碍，使内容在全球范围内更容易获得。

开发者可互动体验 OpenAI API 中的新语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。

OpenAI.fm 是一个互动演示平台，允许开发者体验 OpenAI API 中的最新文本转语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。该技术能够生成自然流畅的语音，使得文本内容生动而易于理解。它适用于各种应用场景，尤其是在语音助手和内容创作方面，能够帮助开发者更好地与用户沟通，提升用户体验。该产品定位于高效的语音合成，适合希望整合语音功能的开发者。

一个开源文本转语音系统，致力于实现人类语音的自然化。

Orpheus TTS 是一个基于 Llama-3b 模型的开源文本转语音系统，旨在提供更加自然的人类语音合成。它具备较强的语音克隆能力和情感表达能力，适合各种实时应用场景。该产品是免费的，旨在为开发者和研究者提供便捷的语音合成工具。

CSM 1B 是一个由 Sesame 开发的文本到语音生成模型，可生成高质量的音频。

CSM 1B 是一个基于 Llama 架构的语音生成模型，能够从文本和音频输入中生成 RVQ 音频代码。该模型主要应用于语音合成领域，具有高质量的语音生成能力。其优势在于能够处理多说话人的对话场景，并通过上下文信息生成自然流畅的语音。该模型开源，旨在为研究和教育目的提供支持，但明确禁止用于冒充、欺诈或非法活动。

一个用于生成对话式语音的模型，支持从文本和音频输入生成高质量的语音。

CSM 是一个由 Sesame 开发的对话式语音生成模型，它能够根据文本和音频输入生成高质量的语音。该模型基于 Llama 架构，并使用 Mimi 音频编码器。它主要用于语音合成和交互式语音应用，例如语音助手和教育工具。CSM 的主要优点是能够生成自然流畅的语音，并且可以通过上下文信息优化语音输出。该模型目前是开源的，适用于研究和教育目的。

Sesame AI 是一款先进的语音合成平台，能够生成自然对话式语音并具备情感智能。

Sesame AI 代表了下一代语音合成技术，通过结合先进的人工智能技术和自然语言处理，能够生成极其逼真的语音，具备真实的情感表达和自然的对话流程。该平台在生成类似人类的语音模式方面表现出色，同时能够保持一致的性格特征，非常适合内容创作者、开发者和企业，用于为其应用程序增添自然语音功能。目前尚不清楚其具体价格和市场定位，但其强大的功能和广泛的应用场景使其在市场上具有较高的竞争力。

Spark-TTS 是一种基于大语言模型的高效单流解耦语音合成模型。

Spark-TTS 是一种基于大语言模型的高效文本到语音合成模型，具有单流解耦语音令牌的特性。它利用大语言模型的强大能力，直接从代码预测的音频进行重建，省略了额外的声学特征生成模型，从而提高了效率并降低了复杂性。该模型支持零样本文本到语音合成，能够跨语言和代码切换场景，非常适合需要高自然度和准确性的语音合成应用。它还支持虚拟语音创建，用户可以通过调整参数（如性别、音高和语速）来生成不同的语音。该模型的背景是为了解决传统语音合成系统中效率低下和复杂性高的问题，旨在为研究和生产提供高效、灵活且强大的解决方案。目前，该模型主要面向学术研究和合法应用，如个性化语音合成、辅助技术和语言研究等。

基于Llama框架的TTS基础模型，兼容16万小时标记化语音数据。

Llasa是一个基于Llama框架的文本到语音（TTS）基础模型，专为大规模语音合成任务设计。该模型利用16万小时的标记化语音数据进行训练，具备高效的语言生成能力和多语言支持。其主要优点包括强大的语音合成能力、低推理成本和灵活的框架兼容性。该模型适用于教育、娱乐和商业场景，能够为用户提供高质量的语音合成解决方案。目前该模型在Hugging Face上免费提供，旨在推动语音合成技术的发展和应用。

Octave TTS 是首个能够理解文本含义的语音合成模型，能够生成富有情感和风格的语音。

Octave TTS 是由 Hume AI 开发的下一代语音合成模型，它不仅能够将文本转换为语音，还能理解文本的语义和情感，从而生成富有表现力的语音输出。该技术的核心优势在于其对语言的深度理解能力，使其能够根据上下文生成自然、生动的语音，适用于多种应用场景，如有声读物、虚拟助手和情感化语音交互等。Octave TTS 的出现标志着语音合成技术从简单的文本朗读向更具表现力和交互性的方向发展，为用户提供更加个性化和情感化的语音体验。目前，该产品主要面向开发者和创作者，通过 API 和平台提供服务，未来有望扩展到更多语言和应用场景。

工业级可控高效的零样本文本到语音系统

IndexTTS 是一种基于 GPT 风格的文本到语音（TTS）模型，主要基于 XTTS 和 Tortoise 进行开发。它能够通过拼音纠正汉字发音，并通过标点符号控制停顿。该系统在中文场景中引入了字符-拼音混合建模方法，显著提高了训练稳定性、音色相似性和音质。此外，它还集成了 BigVGAN2 来优化音频质量。该模型在数万小时的数据上进行训练，性能超越了当前流行的 TTS 系统，如 XTTS、CosyVoice2 和 F5-TTS。IndexTTS 适用于需要高质量语音合成的场景，如语音助手、有声读物等，其开源性质也使其适合学术研究和商业应用。

星声AI是一个AI播客生成器，可以从任何内容生成AI博客。

星声AI是一款专注于生成AI播客的工具。它利用先进的LLM模型（如kimi）和TTS模型（如Minimax Speech-01-Turbo），能够将文本内容快速转化为生动的播客。该技术的主要优点在于高效的内容生成能力，能够帮助创作者快速制作播客，节省时间和精力。星声AI适合内容创作者、播客爱好者以及需要快速生成音频内容的用户。其定位是为用户提供便捷的播客生成解决方案，目前暂无明确价格信息。

Zonos-v0.1-hybrid 是一款领先的开源文本转语音模型，能够提供高质量的语音合成服务。

Zonos-v0.1-hybrid 是由 Zyphra 开发的一款开源文本转语音模型，它能够根据文本提示生成高度自然的语音。该模型经过大量英语语音数据训练，采用 eSpeak 进行文本归一化和音素化，再通过变换器或混合骨干网络预测 DAC 令牌。它支持多种语言，包括英语、日语、中文、法语和德语，并且可以对生成语音的语速、音调、音频质量和情绪等进行精细控制。此外，它还具备零样本语音克隆功能，仅需 5 到 30 秒的语音样本即可实现高保真语音克隆。该模型在 RTX 4090 上的实时因子约为 2 倍，运行速度较快。它还配备了易于使用的 gradio 界面，并且可以通过 Docker 文件简单安装和部署。目前，该模型在 Hugging Face 上提供，用户可以免费使用，但需要自行部署。

Hibiki 是一款用于流式语音翻译（即同声传译）的模型，能够实时逐块生成正确翻译。

Hibiki 是一款专注于流式语音翻译的先进模型。它通过实时积累足够的上下文信息来逐块生成正确的翻译，支持语音和文本翻译，并可进行声音转换。该模型基于多流架构，能够同时处理源语音和目标语音，生成连续的音频流和时间戳文本翻译。其主要优点包括高保真语音转换、低延迟实时翻译以及对复杂推理策略的兼容性。Hibiki 目前支持法语到英语的翻译，适合需要高效实时翻译的场景，如国际会议、多语言直播等。模型开源免费，适合开发者和研究人员使用。

LLaSA： 扩展基于 LLaMA 的语音合成的训练时间和测试时间计算量

LLaSA_training 是一个基于 LLaMA 的语音合成训练项目，旨在通过优化训练时间和推理时间的计算资源，提升语音合成模型的效率和性能。该项目利用开源数据集和内部数据集进行训练，支持多种配置和训练方式，具有较高的灵活性和可扩展性。其主要优点包括高效的数据处理能力、强大的语音合成效果以及对多种语言的支持。该项目适用于需要高性能语音合成解决方案的研究人员和开发者，可用于开发智能语音助手、语音播报系统等应用场景。

Llasa-1B 是一个基于 LLaMA 的文本转语音 (TTS) 模型，支持中英文语音合成。

Llasa-1B 是一个由香港科技大学音频实验室开发的文本转语音模型。它基于 LLaMA 架构，通过结合 XCodec2 代码本中的语音标记，能够将文本转换为自然流畅的语音。该模型在 25 万小时的中英文语音数据上进行了训练，支持从纯文本生成语音，也可以利用给定的语音提示进行合成。其主要优点是能够生成高质量的多语言语音，适用于多种语音合成场景，如有声读物、语音助手等。该模型采用 CC BY-NC-ND 4.0 许可证，禁止商业用途。

Llasa-3B 是一个基于 LLaMA 的文本到语音合成模型，支持中英文语音生成。

Llasa-3B 是一个强大的文本到语音（TTS）模型，基于 LLaMA 架构开发，专注于中英文语音合成。该模型通过结合 XCodec2 的语音编码技术，能够将文本高效地转换为自然流畅的语音。其主要优点包括高质量的语音输出、支持多语言合成以及灵活的语音提示功能。该模型适用于需要语音合成的多种场景，如有声读物制作、语音助手开发等。其开源性质也使得开发者可以自由探索和扩展其功能。

AI ContentCraft 是一个多功能内容创作工具，集成了文本生成、语音合成和图像生成能力。

AI ContentCraft 是一个强大的内容创作平台，旨在帮助创作者快速生成故事、播客脚本和多媒体内容。它通过集成文本生成、语音合成和图像生成技术，为创作者提供一站式的解决方案。该工具支持中英文内容转换，适合需要高效创作的用户。其技术栈包括 DeepSeek AI、Kokoro TTS 和 Replicate API，确保高质量的内容生成。产品目前开源免费，适合个人和团队使用。

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。

基于Kokoro和ONNX运行时的文本到语音（TTS）项目。

kokoro-onnx是一个基于Kokoro模型和ONNX运行时的文本到语音（TTS）项目。它支持英语，并计划支持法语、日语、韩语和中文。该模型在macOS M1上具有接近实时的快速性能，并提供多种声音选择，包括耳语。模型轻量级，约为300MB（量化后约为80MB）。该项目在GitHub上开源，采用MIT许可证，方便开发者集成和使用。

将电子书转换为有声书的工具。

Audiblez是一个利用Kokoro高质量语音合成技术，将普通电子书（.epub格式）转换为.m4b格式有声书的工具。它支持多种语言和声音，用户可以通过简单的命令行操作完成转换，极大地丰富了电子书的阅读体验，尤其适合在开车、运动等不方便阅读的场景下使用。该工具由Claudio Santini在2025年开发，遵循MIT许可证免费开源。

一个拥有8200万参数的前沿文本到语音（TTS）模型。

Kokoro-82M是一个由hexgrad创建并托管在Hugging Face上的文本到语音（TTS）模型。它具有8200万参数，使用Apache 2.0许可证开源。该模型在2024年12月25日发布了v0.19版本，并提供了10种独特的语音包。Kokoro-82M在TTS Spaces Arena中排名第一，显示出其在参数规模和数据使用上的高效性。它支持美国英语和英国英语，可用于生成高质量的语音输出。

AI内容生成平台，提供视频、语音和图像生成服务

Synthesys是一个AI内容生成平台，提供AI视频、AI语音和AI图像生成服务。它通过使用先进的人工智能技术，帮助用户以更低的成本和更简单的操作生成专业级别的内容。Synthesys的产品背景基于当前市场对于高质量、低成本内容生成的需求，其主要优点包括支持多种语言的超真实语音合成、无需专业设备即可生成高清视频、以及用户友好的界面设计。平台的定价策略包括免费试用和不同级别的付费服务，定位于满足不同规模企业的内容生成需求。

AI名人声音生成器，让文字变声音。

Voxdazz是一个利用人工智能技术模仿名人声音的在线平台。用户可以选择名人的声音模板，输入想要说的话，Voxdazz将生成相应的视频。这项技术基于复杂的算法，能够模拟自然的语调、节奏和强调，非常接近人类的语音。它不仅适用于娱乐和幽默视频的制作，还可以用于分享模仿名人的搞笑内容。Voxdazz以其高质量的语音生成和用户友好的操作界面，为用户提供了一个全新的娱乐和创意表达方式。

快速生成类人语音的TTS模型

Flash是ElevenLabs最新推出的文本转语音(Text-to-Speech, TTS)模型，它以75毫秒加上应用和网络延迟的速度生成语音，是低延迟、会话型语音代理的首选模型。Flash v2仅支持英语，而Flash v2.5支持32种语言，每两个字符消耗1个信用点。Flash在盲测中持续超越了同类超低延迟模型，是速度最快且具有质量保证的模型。

Google DeepMind开发的高性能AI模型

Gemini 2.0 Flash Experimental是Google DeepMind开发的最新AI模型，旨在提供低延迟和增强性能的智能代理体验。该模型支持原生工具使用，并首次能够原生创建图像和生成语音，代表了AI技术在理解和生成多媒体内容方面的重要进步。Gemini Flash模型家族以其高效的处理能力和广泛的应用场景，成为推动AI领域发展的关键技术之一。