产品库

全端到端的类人语音对话模型

SpeechGPT2是由复旦大学计算机科学学院开发的端到端语音对话语言模型，能够感知并表达情感，并根据上下文和人类指令以多种风格提供合适的语音响应。该模型采用超低比特率语音编解码器（750bps），模拟语义和声学信息，并通过多输入多输出语言模型（MIMO-LM）进行初始化。目前，SpeechGPT2还是一个基于轮次的对话系统，正在开发全双工实时版本，并已取得一些有希望的进展。尽管受限于计算和数据资源，SpeechGPT2在语音理解的噪声鲁棒性和语音生成的音质稳定性方面仍有不足，计划未来开源技术报告、代码和模型权重。

首个面向语境智能的人类级实时交互系统，支持多情感、多风格语音交互。

SpeechGPT 2.0-preview 是一款由复旦大学自然语言处理实验室开发的先进语音交互模型。它通过海量语音数据训练，实现了低延迟、高自然度的语音交互能力。该模型能够模拟多种情感、风格和角色的语音表达，同时支持工具调用、在线搜索和外部知识库访问等功能。其主要优点包括强大的语音风格泛化能力、多角色模拟以及低延迟交互体验。目前该模型仅支持中文语音交互，未来计划扩展到更多语言。

AI创作诗歌,增强人们的情感表达

PoemGPT是一款基于AI的诗歌创作工具。它使用先进的NLP技术,可以根据用户的需求和关键词,自动生成富有情感和韵律的原创诗歌。无论是表达爱情,写作祝福,还是抒发心情,PoemGPT都可以提供专业智能的帮助。关键功能包括情人节、生日、告白等特定场景下的诗歌生成,以及支持中英文双语创作。该产品易于上手使用,为用户提供便捷高效的创作体验,使任何人都可以通过AI的力量,创作出能打动人心的诗歌作品。

AI生成个性化贺卡，表达真挚情感

Greetings & eCards是一款AI生成个性化贺卡的产品。它可以帮助用户轻松创建和发送完美的贺卡，包括生日贺卡、圣诞贺卡、母亲节贺卡和感谢卡等。用户可以选择不同的卡片设计和编辑个性化的文字描述，同时利用先进的自然语言处理技术，生成更富有意义的祝福语。通过这款产品，用户可以更加深入地与他们生活中重要的人建立有意义的联系。Greetings & eCards提供免费的eCard服务，并提供付费的高级功能。

秒级响应的对话式人工智能

Bland Turbo是一款响应速度极快、质量与人类相匹配的对话式人工智能产品。它能够在毫秒级时间内提供实时的回答，并且稳定地保持人类速度和质量水平。欢迎免费试用。

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。

表达自己的另一种语言！通过日常对话视频了解人们真正说话的方式。掌握意义、语调和风格，与他人在任何话题上建立联系。

Sygmatic是一个个性化的语言学习平台。它通过展示日常对话视频，让学习者真正了解人们如何自然地说话。学习者可以掌握流利自然的语音表达，表达自己的意思和情感。Sygmatic提供了实用的、现实生活中的话题，帮助学习者提升听力、口语和沟通能力。

多风格AI绘画生成器，0门槛轻松创作，一键免费生成

堆友AI反应堆是一款多风格的AI绘画生成器，旨在帮助用户轻松创作出各种风格的艺术作品。该产品利用先进的AI技术，能够根据用户的输入生成高质量的图像。其主要优点包括操作简便、风格多样以及免费使用，适合各种设计爱好者和专业人士。产品背景信息显示，它是由杭州阿里巴巴海外信息技术有限公司开发的，旨在推动创意设计的普及和发展。

PlayDialog，打造流畅、富有情感的对话体验。

PlayDialog是Play.ai推出的一款端到端AI语音模型，它利用对话的历史背景来控制韵律、语调、情感和节奏，以提供更自然的声音，为匹配人类在现实生活情境中的说话方式树立了新标准。PlayDialog适合创建真实的对话体验，如旁白、声音配音、合成播客以及在商业环境中支持沉浸式和吸引人的一对一语音体验。PlayDialog beta在盲测中以2:1的比例超越了市场上的领先竞争模型，表达性作为偏好因素得分最高。

写作神器，让你表达得更自然

Write Tone是一款提供多种写作语调的工具，帮助你在不同场合下使用正确的语气、词汇和风格。无论你需要为专业报告使用正式语气，还是在友好的电子邮件中使用非正式语气，Write Tone都能满足你的需求。Write Tone提供多种语调，让你的写作更加生动有趣，表达出你的个性和风格。

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！

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。

实时语音AI代理，500毫秒内响应语音查询。

Real-time Voice AI Agent是一个高度灵活的实时语音交互模型，它能够在大约500毫秒内通过语音回答任何查询。该模型支持用户选择任何大型语言模型、文本到语音(TTS)模型和语音到文本(STT)模型。它非常适合用于客户服务机器人、接待员等涉及语音的应用场景。

与名人AI人物进行语音对话

MeslAI是一个能够让用户与各种AI人物进行语音对话的平台。用户可以与思想家、政治家、科学家等进行沉浸式对话，提问、寻求建议和探索有趣的话题。MeslAI提供真实的交流体验，个性化的互动以及逼真的语音复制。用户可以根据使用时间灵活付费。

通过音乐分享你的情感

SendTheSong是一个在线平台，允许用户通过歌曲传达他们的情感和信息。用户可以选择一首歌曲并附上一条信息，发送给特别的人。这个平台不仅提供了一种新的沟通方式，还增加了音乐的情感价值，使得信息传递更加个性化和有意义。它适合那些希望通过音乐来表达自己情感的用户，无论是怀旧、爱慕还是鼓励。SendTheSong的背景信息显示，它旨在帮助人们用歌曲作为媒介来传达那些难以言说的情感。该平台是免费的，易于使用，适合所有年龄段的用户。

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。

基于记忆引导扩散的表达性视频生成工具

ComfyUI-IF_MemoAvatar是一个基于记忆引导扩散的模型，用于生成表达性的视频。该技术允许用户从单一图像和音频输入创建富有表现力的说话头像视频。这项技术的重要性在于其能够将静态图像转化为动态视频，同时保留图像中人物的面部特征和情感表达，为视频内容创作提供了新的可能性。该模型由Longtao Zheng等人开发，并在arXiv上发布相关论文。

开源的高质量文本转语音模型，支持情感控制。

Chatterbox 是 Resemble AI 推出的第一个开源生产级文本转语音 (TTS) 模型，具有卓越的性能和稳定性。它经过与顶尖闭源系统的比较，展现出更优的效果。该模型的独特之处在于它支持情感夸张控制，适用于制作视频、游戏、AI 代理等多种场景。Chatterbox 的价格竞争力强，同时提供超低延迟，适合生产使用。

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。

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。

AI驱动的情感丰富语音生成服务

nijivoiceにじボイス是一个利用人工智能技术实现的语音生成平台，用户可以通过选择不同的角色和输入文本来生成富有情感的语音。这项技术的重要性在于它能够提供个性化的声音，满足从娱乐到商业的多种需求，并且操作简便，易于上手。产品背景信息显示，にじボイス提供了多种声音选择，适用于不同的场景，包括VTuber、虚拟角色、企业介绍视频、产品宣传、教育内容等。价格方面，にじボイス提供免费计划以及多种付费计划，以适应不同用户的需求。

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。

自然对话场景下的文字转语音模型

ChatTTS是一个为对话场景设计的声音生成模型，特别适用于大型语言模型助手的对话任务，以及对话式音频和视频介绍等应用。它支持中英文，通过使用约10万小时的中英文数据训练，展现出高质量和自然度的语音合成能力。

端到端中英语音对话模型

GLM-4-Voice是由清华大学团队开发的端到端语音模型，能够直接理解和生成中英文语音，进行实时语音对话。它通过先进的语音识别和合成技术，实现了语音到文本再到语音的无缝转换，具备低延迟和高智商的对话能力。该模型在语音模态下的智商和合成表现力上进行了优化，适用于需要实时语音交互的场景。

下一代情感智能的对话视频界面，让AI交互更自然、更人性。

Conversational Video Interface（CVI）是Tavus推出的一种情感智能对话视频界面。它通过Phoenix-3、Raven-0和Sparrow-0三个模型协同工作，赋予AI真正的人类感知、倾听、理解和实时互动能力。CVI不仅是一个工具，更是一种全新的人机沟通方式，可应用于医疗、心理健康、销售培训、客户服务等多个领域，具有无限的使用场景。其背后的技术突破在于将人类对话的细微情感和节奏融入AI交互中，使AI不再是简单的回应，而是能思考、反应并改变我们与机器的互动方式。

帮助你理解情感，提供新的观点，实现目标。

人工内心声是一款交互式体验，类似游戏，帮助你塑造自己的助手，让你更加自信和清晰地面对生活的挑战。通过模拟人类内心对话，我们帮助你理解复杂的情感，提供新的观点，助力目标实现。该产品提供个人助手定制功能，帮助用户应对生活中的各种挑战。

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。

高保真情感3D虚拟人头合成

EmoTalk3D是一个专注于3D虚拟人头合成的研究项目，它通过收集多视角视频、情感注释和每帧3D几何数据来解决传统3D人头合成中存在的视角一致性和情感表达不足的问题。该项目提出了一种新颖的方法，通过训练EmoTalk3D数据集，实现了情感可控的3D人头合成，具有增强的唇部同步和渲染质量。EmoTalk3D模型能够生成具有广泛视角和高渲染质量的3D动画，同时捕捉到动态面部细节，如皱纹和微妙表情。