产品库

Soundify是一个 AI 驱动的音频编辑工具

Soundify是一个基于AI的音频编辑工具,提供音频修复、音质增强、去噪等功能,能够帮助用户简单快速地优化和提升音频质量。该产品采用独特的深度学习算法,能够准确识别和消除杂音,平滑音频细节,使声音更清晰流畅。与此同时,它还提供了音频切割、调整速度等其他编辑功能。Soundify易于使用,全自动操作,大大降低了音频后期的工作量,适合个人用户和专业音频工作者使用。

MVSEP能够将音频中的语音和音乐部分分离。

MVSEP是一款在线音频处理工具，利用先进的音频分离技术可将音乐和语音从音频文件中分离出来，适用于音乐制作、音频编辑、广播、电影后期制作等领域。优点包括高质量的音频输出、快速的处理速度和用户友好的操作界面。提供不同模型选择。

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。

在线将文字转换为逼真的语音

AI Voice Lab免费 AI 文字转语音神器是一个利用最新的类GPT AI语音模型技术，提供超级逼真的配音结果，支持20+种语言和100+种声音，每天提供免费使用次数，适用于视频、音频制作等多种场景，提高内容吸引力。

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。

开源的全双工音频生成基础模型

hertz-dev是Standard Intelligence开源的全双工、仅音频的变换器基础模型，拥有85亿参数。该模型代表了可扩展的跨模态学习技术，能够将单声道16kHz语音转换为8Hz潜在表示，具有1kbps的比特率，性能优于其他音频编码器。hertz-dev的主要优点包括低延迟、高效率和易于研究人员进行微调和构建。产品背景信息显示，Standard Intelligence致力于构建对全人类有益的通用智能，而hertz-dev是这一旅程的第一步。

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。

在浏览器中直接运行的AI工具箱

Browser AI Kit是一个集成了多种AI工具的平台，用户可以在浏览器中直接使用这些工具，无需安装或设置。它提供了音频转文本、去除背景、文本转语音等多种功能，并且完全免费。这个工具箱基于Transformers.js开发，强调数据安全和隐私保护，所有数据处理都在本地进行，不上传任何服务器。它的目标是为用户提供一个便捷、安全、多功能的AI工具平台。

下一代语音AI，提供卓越的音频数据处理能力。

Universal-2是AssemblyAI推出的最新语音识别模型，它在准确度和精确度上超越了前一代Universal-1，能够更好地捕捉人类语言的复杂性，为用户提供无需二次检查的音频数据。这一技术的重要性在于它能够为产品体验提供更敏锐的洞察力、更快的工作流程和一流的产品体验。Universal-2在专有名词识别、文本格式化和字母数字识别方面都有显著提升，减少了实际应用中的词错误率。

音频变声技术，转换声音同时保留原始表达和情感

Voice Changer是Cartesia推出的一款音频变声模型，它能够在转换音频声音的同时，保持原始音频的表达方式和情感。这项技术基于Cartesia在状态空间模型（SSM）架构上的开创性工作，能够以惊人的质量处理和生成高分辨率的声音。Voice Changer的主要优点包括自然语音保留、精确控制交付、多样化的使用场景以及与Sonic声音生成技术的结合使用。

利用AI技术分离音乐/视频中的人声和伴奏

易我人声分离是一款在线工具，它使用人工智能算法将音频或视频中的人声和伴奏分离，支持多种音频和视频格式，如MP3、WAV、M4A、FLAC等。这款工具对于音乐制作人、歌曲创作者、K歌爱好者以及需要音频编辑的专业人士来说非常有用。它提供了不同版本的订阅服务，包括年版、月版、推荐包和基础包，用户可以根据自己的需求选择合适的版本。

一个用于说话人分割的工具包

DiariZen是一个基于AudioZen和Pyannote 3.1驱动的说话人分割工具包。说话人分割是音频处理中的一个关键步骤，它能够将一段音频中的不同说话人进行区分。这项技术在会议记录、电话监控、安全监听等多个领域都有广泛的应用。DiariZen的主要优点包括易于使用、高准确性和开源，使得研究人员和开发者可以自由地使用和改进它。DiariZen在GitHub上以MIT许可证发布，这意味着它是完全免费的，并且可以被商业使用。

使用Gradio UI的Ultimate Vocal Remover 5，分离音频文件。

UVR5-UI是一个基于python-audio-separator的开源项目，它提供了一个用户友好的界面来分离音频文件中的不同音轨，使用了多种模型来实现高质量的音频分离。该项目特别适合音乐制作者、音频编辑者和任何需要从音频中移除或分离特定声音的人。UVR5-UI支持从多个网站批量分离音频，并且可以在Colab和Kaggle上运行，为使用者提供了极大的便利。

一种新的图像恢复算法

PMRF（Posterior-Mean Rectified Flow，后验均值修正流）是一种新提出的图像恢复算法，旨在解决图像恢复任务中的失真-感知质量权衡问题。它通过结合后验均值和修正流的方式，提出了一种新颖的图像恢复框架，能够在降低图像失真同时保证图像的感知质量。

一个全面的AI神经网络工具目录

AILIBRI是一个汇集了超过2000个AI神经网络工具的目录网站，涵盖了文本、图像、视频、音频等多个领域的工具。它为用户寻找合适的AI工具提供了极大的便利，无论是专业人士还是初学者，都能在这里找到满足其需求的工具。该网站提供了详细的分类和搜索功能，帮助用户快速定位到所需的工具。

AI工具大全，发现并使用最佳的AI工具。

AI Tools List是一个专注于AI工具的资源网站，它收集并分类了各种AI工具，包括写作、设计、视频编辑、音频编辑、客户支持等。用户可以通过这个平台快速找到适合自己需求的AI工具，提高工作效率。

高效生成高质量文本到音频模型

EzAudio是一个先进的文本到音频(T2A)生成模型，它能够从文本提示中创建高质量的音频。它为开源T2A模型设定了新的标准，提供快速、高效和逼真的声音效果生成。

音乐生成系统，支持多语言声乐生成和音乐编辑。

Seed-Music 是一个音乐生成系统，它通过统一的框架支持生成具有表现力的多语言声乐音乐，允许精确到音符级别的调整，并提供将用户自己的声音融入音乐创作的能力。该系统采用先进的语言模型和扩散模型，为音乐家提供多样化的创作工具，满足不同音乐制作需求。

零样本声音转换技术，实现音质与音色的高保真转换。

seed-vc 是一个基于 SEED-TTS 架构的声音转换模型，能够实现零样本的声音转换，即无需特定人的声音样本即可转换声音。该技术在音频质量和音色相似性方面表现出色，具有很高的研究和应用价值。

本地部署的AI语音工具箱，支持语音识别、转录和转换。

Easy Voice Toolkit是一个基于开源语音项目的AI语音工具箱，提供包括语音模型训练在内的多种自动化音频工具。该工具箱能够无缝集成，形成完整的工作流程，用户可以根据需要选择性使用这些工具，或按顺序使用，逐步将原始音频文件转换为理想的语音模型。

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。

一个开源的GUI音频书和配音生成器。

Pandrator 是一个基于开源软件的工具，能够将文本、PDF、EPUB 和 SRT 文件转换成多种语言的语音音频，包括语音克隆、基于LLM的文本预处理以及将生成的字幕音频直接保存到视频文件中，与视频的原始音轨混合。它旨在易于使用和安装，具有一键安装程序和图形用户界面。

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。

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。

从任何音频中提取清晰人声

Voice Isolator 是 ElevenLabs 开发的一项 AI 音频解决方案，它能够从各种音频中提取出清晰的人声，去除街道噪音、麦克风反馈等不需要的背景噪音，适用于电影、播客和采访后期制作。这项技术对于提升音频质量、提高后期制作效率具有重要意义。

AI音频检测工具，高效、多语言的深度伪 造检测解决方案

DETECT-2B 是 Resemble AI 的最新深度伪 造检测解决方案。它能够以高达 94% 以上的准确率在 200 毫秒内检测 30 多种语言。通过我们高效且多语言的技术，有效应对基于 AI 生成的音频欺诈。

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。

基于文本提示生成可变长度立体声音频的AI模型。

Stable Audio Open 1.0是一个利用自编码器、基于T5的文本嵌入和基于变压器的扩散模型来生成长达47秒的立体声音频的AI模型。它通过文本提示生成音乐和音频，支持研究和实验，以探索生成性AI模型的当前能力。该模型在Freesound和Free Music Archive (FMA)的数据集上进行训练，确保了数据的多样性和版权合法性。

音频采样器，创造音乐节奏

ComfyUI-StableAudioSampler 是一款集成在 ComfyUI 节点中的音频采样器插件，它允许用户生成音频并输出原始字节和采样率，支持所有原始 Stable Audio Open 参数，并可以保存音频到文件。这个插件是开源的，并且正在积极开发中，旨在为音乐制作者提供一个易于使用且功能强大的工具。

Amped Studio - 在线制作音乐

Amped Studio是一个在线音乐制作平台，提供创建音乐、节拍制作、音频编辑、声音录制和工程等功能。在这里可以找到一切创作音乐所需的工具！