产品库

多语种语音理解模型，提供高精度语音识别与情感识别。

SenseVoice是一个包含自动语音识别(ASR)、语音语言识别(LID)、语音情感识别(SER)和音频事件检测(AED)等多语音理解能力的语音基础模型。它专注于高精度多语种语音识别、语音情感识别和音频事件检测，支持超过50种语言，识别性能超越Whisper模型。模型采用非自回归端到端框架，推理延迟极低，是实时语音处理的理想选择。

多语种高精度语音识别模型

SenseVoiceSmall是一款具备多种语音理解能力的语音基础模型，包括自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。该模型经过超过40万小时的数据训练，支持超过50种语言，识别性能超越Whisper模型。其小型模型SenseVoice-Small采用非自回归端到端框架，推理延迟极低，处理10秒音频仅需70毫秒，比Whisper-Large快15倍。此外，SenseVoice还提供便捷的微调脚本和策略，支持多并发请求的服务部署管道，客户端语言包括Python、C++、HTML、Java和C#等。

高效、多语种的语音合成模型

CosyVoice语音生成大模型2.0-0.5B是一个高性能的语音合成模型，支持零样本、跨语言的语音合成，能够根据文本内容直接生成相应的语音输出。该模型由通义实验室提供，具有强大的语音合成能力和广泛的应用场景，包括但不限于智能助手、有声读物、虚拟主播等。模型的重要性在于其能够提供自然、流畅的语音输出，极大地丰富了人机交互的体验。

大规模多语种语音生成数据集

Emilia是一个开源的多语种野外语音数据集，专为大规模语音生成研究设计。它包含超过101,000小时的六种语言高质量语音数据和相应的文本转录，覆盖了各种说话风格和内容类型，如脱口秀、访谈、辩论、体育评论和有声书。

多语种文本翻译工具

必应翻译是一款多语种文本翻译工具，可以帮助用户快速准确地翻译各种语言的文本。它具有简单易用、翻译准确、支持多种语言等优势。该产品提供免费和付费版本，付费版本提供更多高级功能。定位于个人用户和商业用户。

全球领先的多语种翻译工具

百度翻译是一款全球领先的多语种翻译工具，提供文字、文档、网址和图片的翻译服务。具有自动检测语言、通用领域翻译、AI翻译、文档翻译等功能。优势包括高准确度、快速翻译、支持多种语言等。百度翻译的定价根据使用情况而定，用户可以选择开通百度翻译会员享受更多特权。适用于个人用户、企业用户等不同场景。

多语种大模型

猎户星空 - 14B-Base 是一个具有 140 亿参数的多语种大模型，具有卓越的性能和多语言能力。它适用于各种聊天任务，能够提供高质量的用户交互体验。猎户星空 - 14B-Base 在多项评测中表现优异，可广泛应用于生产力、教育、商业等领域。

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。

多语种免费改写生成器

Rephrasely是一款多语种免费改写生成器，可以帮助您改写、重写和修改文本内容，同时保持原意。它提供了12种免费模式，包括改写、总结、简化等。Rephrasely还支持50多种语言的查重功能。您可以在网站上使用它进行改写，并且提供高级版本以获得更多功能和更强大的改写效果。

首个多语种手语生成模型，优化手语翻译与教学。

SignLLM是首个多语种手语生成模型，它基于公共手语数据构建，包括美国手语(ASL)和其他七种手语。该模型能够从文本或提示生成手语手势，并通过强化学习加速训练过程，提高数据采样质量。SignLLM在八种手语的生产任务上都达到了最先进的性能。

一款在您电脑本地运行的私有软件，提供多语种实时翻译。

AI Hear是一款在电脑本地运行的私有软件，它通过一键开启多语种实时翻译功能，帮助用户管理音频、译文和时间轴。产品不收集数据，保护用户隐私。它适用于多种场景，如线上会议、网课播客、游戏直播等，并且完全本地运行，相比市面上的实时翻译产品更具性价比。

自然交互的语音理解和生成基础模型

FunAudioLLM是一个旨在增强人类与大型语言模型(Large Language Models, LLMs)之间自然语音交互的框架。它包含两个创新模型：SenseVoice负责高精度多语种语音识别、情绪识别和音频事件检测；CosyVoice负责自然语音生成，支持多语种、音色和情绪控制。SenseVoice支持超过50种语言，具有极低的延迟；CosyVoice擅长多语种语音生成、零样本上下文生成、跨语言语音克隆和指令跟随能力。相关模型已在Modelscope和Huggingface上开源，并在GitHub上发布了相应的训练、推理和微调代码。

智能发票读取应用,支持多语种发票自动识别

Invoice Reader Application是一个移动APP发票扫描应用。它使用光学字符识别技术,可以自动识别和提取发票上的关键信息,比如发票号码、日期、供应商和金额等,大大简化了账务处理工作。该应用支持识别多种语言的发票,覆盖全球主要市场。它可以将识别结果直接导入excel等软件,也可以连接到会计系统,实现自动记账。该应用使用简洁的界面,操作非常方便,可以快速提高企业和个人的发票处理效率。

多语种实时翻译与聊天

Translaite是一个利用DeepL和OpenAI的功能，提供多语言即时翻译和聊天功能的应用程序。通过利用OpenAI的强大功能，生成智能的情境感知响应，同时使用DeepL将信息实时翻译成多种语言，实现无缝通信。用户界面友好简洁，让用户轻松管理对话和提示。定位于打破语言障碍，让用户轻松利用人工智能的力量进行跨语言沟通。

通用语音识别模型

Whisper 是一个通用的语音识别模型。它经过大量多样化音频的训练，并且是一个多任务模型，可以进行多语言语音识别、语音翻译和语种识别。

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。

开源实时翻译应用，支持多语种对话。

RTranslator 是全球首款开源的实时翻译应用，专为 Android 设计，支持多种语言的实时对话翻译。它利用 Meta 的 NLLB 和 OpenAI 的 Whisper 模型，实现高质量的翻译和语音识别，保护用户隐私，且支持离线使用。

AI 视频翻译、语音合成

VideoDubber 是一款提供免费 AI 视频翻译、配音、语音克隆和文本转语音服务的工具。支持 30 多种语言，帮助您轻松扩大受众规模。

创新的AI语音翻译和配音技术，支持100+语言

Camb.ai使用突破性的AI模型，以地道的口音和方言将内容配音到100多种语言，同时保留原声。

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。

在线语音识别工具

语音听写是一款免费的在线语音识别软件，可以通过语音输入来帮助您写邮件、文件和文章，无需打字。

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。

情感驱动的多语音合成引擎

EmotiVoice是一个功能强大、现代化的开源文本到语音引擎。它支持英语和中文，并拥有超过2000种不同的语音。最显著的特点是情感合成，可以让你创造具有各种情感的语音，包括快乐、兴奋、悲伤、愤怒等。 EmotiVoice提供了一个易于使用的网页界面，还提供了用于批量生成结果的脚本界面。 主要功能点包括： 1. 支持英语和中文 2. 拥有超过2000种不同的语音 3. 提供情感合成功能 价格：免费 定位：面向开发者和研究人员。

情感丰富的多模态语言模型

EMOVA（EMotionally Omni-present Voice Assistant）是一个多模态语言模型，它能够进行端到端的语音处理，同时保持领先的视觉-语言性能。该模型通过语义-声学解耦的语音分词器，实现了情感丰富的多模态对话，并在视觉-语言和语音基准测试中达到了最先进的性能。

在线语音合成与语音识别服务

TTSLabs是一款在线语音合成与语音识别服务，提供高质量、自然流畅的语音合成和准确可靠的语音识别功能。通过简单的API调用，用户可以将文字转化为真实的语音，并且可以将语音转化为文本。TTSLabs提供多种语音风格和多国语言的支持，具有快速响应、高效稳定的特点。价格灵活透明，适用于个人开发者和企业用户。

高效自动语音识别模型

Whisper large-v3-turbo是OpenAI提出的一种先进的自动语音识别(ASR)和语音翻译模型。它在超过500万小时的标记数据上进行训练，能够在零样本设置中泛化到许多数据集和领域。该模型是Whisper large-v3的微调版本，解码层从32减少到4，以提高速度，但可能会略微降低质量。

Zonos TTS 是一款支持多语言、情感控制和零样本文本到语音克隆的高质量 AI 文本转语音技术。

Zonos TTS 是一款先进的 AI 文本转语音技术，支持多语言、情感控制和零样本语音克隆。它能够生成自然、富有表现力的语音，适用于教育、有声读物、视频游戏、语音助手等多种场景。该技术通过高质量音频输出（44kHz）和快速实时处理能力，为用户提供高效且个性化的语音生成解决方案。虽然产品本身并非完全免费，但提供了灵活的定价方案以满足不同用户的需求。

Slack情感分析工具

ChatPulse是一款为Slack打造的情感分析工具，通过自然语言处理技术，识别情感和情绪，提升员工幸福感和团队沟通效果。ChatPulse可以实时跟踪团队的情绪和情感状态，帮助人力资源经理了解团队士气，人员管理者改善与下属的沟通，员工加强与同事的沟通。

104B参数的多语种高级对话生成模型

C4AI Command R+ 08-2024是一个拥有104B参数的大规模研究发布模型，具备高度先进的能力，包括检索增强生成（RAG）和工具使用，以自动化复杂任务。该模型支持23种语言的训练，并在10种语言中进行评估。它优化了多种用例，包括推理、总结和问答。

AI语音生成器与情感TTS

Typecast是一款在线的AI语音生成器，可以将文本转化为逼真的语音。拥有超过400种逼真的声音选择。让您的内容以您想要的方式呈现！