产品库

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。

GOPilotX - 驭未来

GOPilotX 是一款智能助手应用，提供多种功能帮助用户提高工作和生活效率。它拥有强大的语音识别和自然语言处理能力，能够执行任务、回答问题、提供信息等。GOPilotX 还具有智能日程管理、语音备忘录、实时翻译等功能，帮助用户轻松应对各种日常任务。无论是工作助手还是生活伴侣，GOPilotX 都能满足用户的需求。

智能助手，提供全方位帮助

AI助手是一款智能助手产品，它能够提供全方位的帮助和支持。通过AI技术，AI助手能够进行语音识别和自然语言处理，能够回答各种问题、提供实时翻译、进行日程管理和提醒等功能。AI助手的优势在于智能化的算法和高效的响应速度，可以帮助用户更加高效地完成各种任务。AI助手的定价为每月10美元，适合个人和小型团队使用。该产品主要用于提升工作效率和解决各种问题。

实时智能翻译，帮助您跨越语言障碍

智能翻译助手是一款实时智能翻译工具，提供多种语言互译服务。通过使用智能语音识别和机器翻译技术，能够帮助用户快速准确地进行语言翻译。优势：实时翻译，准确性高，支持多种语言。定价：免费试用，付费套餐可选。定位：面向需要频繁进行语言翻译的个人和企业用户。

实时翻译助手，帮您快速解决语言障碍

智能翻译助手是一款集实时翻译、语音识别和语言学习为一体的智能工具。它可以快速准确地将文字和语音进行翻译，并提供丰富的学习资源和实用工具。无论您是在旅行、工作还是学习中遇到语言障碍，智能翻译助手都能帮助您解决问题。

革命性AI技术，多模态智能互动

GPT-4o是OpenAI的最新创新，代表了人工智能技术的前沿。它通过真正的多模态方法扩展了GPT-4的功能，包括文本、视觉和音频。GPT-4o以其快速、成本效益和普遍可访问性，革命性地改变了我们与AI技术的互动。它在文本理解、图像分析和语音识别方面表现出色，提供流畅直观的AI互动，适合从学术研究到特定行业需求的多种应用。

AI驱动的语音助手，提升企业客户服务效率。

Callin AI提供一系列AI语音助手，旨在通过自动化客户对话来增强企业的成长。这些助手可以处理来电和去电，提供24/7的客户服务，并且可以根据企业的具体需求进行定制。Callin AI利用最新的语音识别和自然语言处理技术，帮助企业提高客户满意度，减少等待时间，并扩大服务能力。

支持多种语音识别和语音合成功能的开源项目

sherpa-onnx 是一个基于下一代 Kaldi 的语音识别和语音合成项目，使用onnxruntime进行推理，支持多种语音相关功能，包括语音转文字(ASR)、文字转语音(TTS)、说话人识别、说话人验证、语言识别、关键词检测等。它支持多种平台和操作系统，包括嵌入式系统、Android、iOS、Raspberry Pi、RISC-V、服务器等。

实时字幕生成工具

BeMyEars 是一款实时字幕生成工具，利用本地设备完成语音识别，为听障人士和需要字幕的用户提供极致体验。其主要优点包括多语言支持、多源输入、隐私保护等。

Chartnote是一款能够快速完成医学文档的产品。

Chartnote是一款能够快速完成医学文档的插件。它通过使用生成式人工智能、语音识别和智能模板等技术，将医疗记录的撰写变得轻松快捷。它的主要优点是提高工作效率、减少文档撰写时间、提供准确的临床记录。Chartnote适用于医生、护士和其他医疗从业者。

开源、精准、方便的视频切片工具

FunClip是一款完全开源、本地部署的自动化视频剪辑工具，通过调用阿里巴巴通义实验室开源的FunASR Paraformer系列模型进行视频的语音识别，随后用户可以自由选择识别结果中的文本片段或说话人，点击裁剪按钮即可获取对应片段的视频。FunClip集成了阿里巴巴开源的工业级模型Paraformer-Large，是当前识别效果最优的开源中文ASR模型之一，并且能够一体化的准确预测时间戳。

使用最新的人工智能技术，实时翻译电话通话

Telelingo是一款实时电话翻译工具，利用先进的人工智能技术，实时翻译电话通话内容，消除语言障碍。它支持80多种语言，无需人工翻译员即可实现即时翻译。Telelingo采用按分钟计费的方式，无隐藏费用，让用户更好地控制费用。

boff.ai是一款AI助手，帮助用户提供智能的语音识别和自然语言处理服务。

boff.ai是一款基于人工智能的语音识别和自然语言处理技术的网站。它的主要优点是快速准确地识别用户的语音输入并能够理解其意图，从而提供相应的回答和建议。boff.ai的定位是提供智能的语音助手服务，帮助用户更高效地处理信息和完成任务。

AI代码查找器，快速找到AI论文的代码实现

AI Code Finder是一个免费的浏览器插件，可以快速找到任何AI研究论文的代码实现。它能够自动在Google、ArXiv、学术搜索引擎、论坛等网站上找到与论文相关的代码链接，并提供CODE按钮供用户点击跳转到开源代码实现。用户还可以创建提醒以获取最新的代码实现、作者的最新工作和最新进展。此插件适用于从事人工智能、数据科学、计算机视觉、语音识别、深度学习和大型语言模型等领域的工程师、研究人员、开发人员和技术领导者。

基于Java的全能视觉智能识别项目

JavaVision是一个基于Java开发的全能视觉智能识别项目，它不仅实现了PaddleOCR-V4、YoloV8物体识别、人脸识别、以图搜图等核心功能，还可以轻松扩展到其他领域，如语音识别、动物识别、安防检查等。项目特点包括使用SpringBoot框架、多功能性、高性能、可靠稳定、易于集成和灵活可拓展。JavaVision旨在为Java开发者提供一个全面的视觉智能识别解决方案，让他们能够以熟悉且喜爱的编程语言构建出先进、可靠且易于集成的AI应用。

基于科大讯飞语音技术，实现智能客服的多渠道解决方案。

A.I.智能客服解决方案是科大讯飞基于其先进的语音技术，为企业提供的一套完整的客户服务系统。该系统通过电话、Web、APP、小程序、自助终端等多种渠道，实现智能外呼、智能接听、语音导航、在线文字客服、质检分析、坐席辅助等功能。它通过高识别率的语音识别引擎、自然流畅的语音合成技术、智能打断能力、IVR导航以及客服平台中间件等技术，帮助企业提高客服效率，降低人力成本，同时提升客户服务体验。

您的智能AI语音驱动型预算助手

Blahget是一款先进的AI预算助手,可简化财务管理。它利用GPT-4驱动的语音识别技术,实现无缝跟踪支出和收入。从今天开始您的智能预算之旅吧。它可以通过语音快速创建、编辑和删除记录,支持搜索、筛选和排序等操作,并可执行数学计算。迄今已记录超过10万条数据条目。

学习外语看海外剧集的浏览器字幕翻译工具

NewTranx Subtitler是一款浏览器插件，通过实时语音识别和AI翻译技术，能够快速将视频的语音内容识别并翻译为双语字幕。支持130多种语言和方言的识别和翻译。用户可以导出字幕和音频，支持在线编辑。可用于学习、观影等场景。

网页浏览器中的音频转录,支持链接、文件或语音录制

这是一款基于AI技术的网页音频转录产品,可以直接在浏览器中将音频链接、上传的音频文件或语音录制转换为文字。它具有以下优势:1)无需下载安装,在线即可使用;2)支持多种音频输入方式;3)AI语音识别技术,准确高效;4)操作简单,界面友好。该产品主要面向需要将音频内容转录为文字的人群,如视频制作者、播客主播、记者等,帮助他们提高工作效率。

Azure AI Studio提供的语音服务

Azure AI Studio是微软Azure提供的一套人工智能服务，其中包括语音服务。这些服务可能包括语音识别、语音合成、语音翻译等功能，帮助开发者在他们的应用程序中集成语音相关的智能功能。

无缝转录媒体资料，配合AI辅助学习

Miraa是一款AI双语字幕及辅助学习APP。它能自动将视频/音频等媒体资料转录成字幕,并提供交互式AI解释和即时翻译功能,帮助用户高效学习。它的主要优势是无缝跟踪字幕并按用户节奏重复播放、AI交互解惑、实时翻译等。Miraa免费使用,但也提供增值付费服务。它主要面向语言学习者和教育工作者。

专业的AI数字人平台，定制数字人专属IP，创造无限商业价值

怪兽智能全息舱是一个专业的AI数字人平台，致力于通过融合唤醒、语音识别、自然语音理解、虚拟人合成等AI核心技术，为用户提供多模态互动、业务办理、问题咨询、资讯播放、服务导览等服务。该平台提供智能硬件，包括业内领先的智能全息屏，以及虚拟人制作服务，帮助用户快速构建虚拟人应用产品。此外，怪兽智能全息舱还提供用户行为分析和AI多模态交互功能，以提升用户体验。该平台广泛应用于零售、文旅景区、服务型机构、政府和事业单位等场景。

AI辅助学习教育平台

Homekey是一款AI辅助学习教育平台，为用户提供多语言虚拟伴侣，可以进行聊天、学习、实时翻译等多种功能，助力用户跨越语言和边界。

01 Light是一款用于家用电脑的语音界面。

01 Light是一款语音控制界面,可以让你用语音控制家用电脑执行各种操作。它的优势是操作便捷、语音识别准确。定价暂未公布,定位是家用电脑的语音控制辅助工具。

高效开发你的AI原生应用

百度智能云千帆AppBuilder是一款专门用于高效开发AI原生应用的平台。它提供了一站式的AI原生应用开发资源和工具,包括开箱即用的应用框架、丰富的AI能力组件以及连接云资源等。主要功能有:1.开源应用框架,如知识增强应用框架(RAG)、Agent框架等。2.丰富AI组件,如语音识别、TTS、文生图、向量引擎等。3.连接云资源,提供CPU/GPU计算、存储等服务。该平台降低了AI应用开发门槛,帮助企业高效开发AI原生应用。

WhisperKit是一个开源项目，旨在帮助开发者和企业在用户设备上部署商业规模的推理工作负载

WhisperKit由Argmax公司推出，是一个基于Whisper项目的推理工具包，它允许在iOS和macOS应用程序中进行语音识别和转录。该项目的目标是收集开发者反馈，并在几周内发布一个稳定的候选版本，以加速设备上推理的生产化。

实时翻译和配音工具

Anytalk是一个实时翻译和配音工具，支持多种语言的即时翻译。它通过浏览器扩展安装，能够将视频和音频流翻译成不同的语言。Anytalk提供高达97%的准确翻译率，并且保持原声音色。

提高生产效率的全能AI工具

EwolveAI是一个集成了文本生成、语音识别、图像生成、聊天机器人等多种功能的全能AI工具。它提供高质量的AI生成内容，帮助用户更快地开发项目。通过智能的仪表盘，用户可以访问有价值的用户洞察、分析和活动数据。支持多语言，可以在不同语言中理解和生成内容。用户还可以添加无限数量的自定义提示，为客户提供更好的支持。通过EwolveAI，用户可以更轻松地生成文本、图片、代码、聊天等内容，释放创造力，提高工作效率。

自监督学习框架，用于音视觉语音处理

AV-HuBERT是一个自监督表示学习框架，专门用于音视觉语音处理。它在LRS3音视觉语音基准测试中实现了最先进的唇读、自动语音识别（ASR）和音视觉语音识别结果。该框架通过掩蔽多模态聚类预测来学习音视觉语音表示，并且提供了鲁棒的自监督音视觉语音识别。

结合视觉语音处理与大型语言模型的框架

VSP-LLM是一个结合视觉语音处理（Visual Speech Processing）与大型语言模型（LLMs）的框架，旨在通过LLMs的强大能力最大化上下文建模能力。VSP-LLM设计用于执行视觉语音识别和翻译的多任务，通过自监督视觉语音模型将输入视频映射到LLM的输入潜在空间。该框架通过提出一种新颖的去重方法和低秩适配器（LoRA），可以高效地进行训练。