产品库

使用低延迟语音识别和合成模型与 AI 对话。

Unmute 是一款创新的语音识别与合成工具，旨在使用户能够通过自然语言与 AI 进行高效的互动。其低延迟技术确保用户体验流畅，适合需要实时反馈的场景。该产品将以开源形式发布，推动更多开发者和用户的参与。当前尚未公布价格，预计将采取免费和付费相结合的模式。

通过麦克风与ChatGPT交流并听到其语音回复。

Talk-to-ChatGPT是一个通过麦克风与ChatGPT交流并听到其语音回复的Chrome插件。它使用了语音识别和文本转语音技术。您无需键盘即可与ChatGPT进行互动！它完全免费且开源。 打开ChatGPT首页即可使用。页面右上角会出现一个小框 - 点击“开始”按钮即可开始使用。您还可以调整设置：语言、速度、音调... 该插件支持Google Chrome API的所有语音识别和文本转语音语言，这意味着支持所有主要语言。您还可以使用ElevenLabs API来访问无数的ChatGPT语音。

最逼真的文本转语音和语音转文本工具

Voiser是一款拥有550多种不同语音选项的文本转语音工具。它可以将文字转换为逼真的机器语音，并提供人类声音的最接近的机器语音。此外，Voiser还可以将语音文件转换为文字，提供快速且准确的语音转文本服务。Voiser是最佳的文本朗读和语音转换解决方案。

AI音频API，提供文本转语音、语音克隆和声音转换功能。

All voice lab是一家提供AI音频API的公司，旨在为创作者提供文本转语音、语音克隆和声音转换等功能。其核心优势在于实现语音克隆和声音转换的高度精准性和快速性，提供多语言支持和隐私保护。

Kimi-Audio 是一个开源音频基础模型，擅长音频理解与生成。

Kimi-Audio 是一个先进的开源音频基础模型，旨在处理多种音频处理任务，如语音识别和音频对话。该模型在超过 1300 万小时的多样化音频数据和文本数据上进行了大规模预训练，具有强大的音频推理和语言理解能力。它的主要优点包括优秀的性能和灵活性，适合研究人员和开发者进行音频相关的研究与开发。

亚马逊全新基础模型理解语气、语调与节奏，提升人机对话自然度。

Amazon Nova Sonic 是一款前沿的基础模型，能够整合语音理解和生成，提升人机对话的自然流畅度。该模型克服了传统语音应用中的复杂性，通过统一的架构实现更深层次的交流理解，适用于多个行业的 AI 应用，具有重要的商业价值。随着人工智能技术的不断发展，Nova Sonic 将为客户提供更好的语音交互体验，提升服务效率。

将文本转换为自然的语音，拥有 1000 多种逼真的 AI 声音。

这是一个强大的文本转语音生成器，拥有超过 1000 种高质量的 AI 语音。适合各种使用场景，如播客、教育和商业内容创作。用户可以利用该平台生成清晰、自然的语音内容，支持语音克隆和音频视频编辑，价格合理，每月仅需 39.99 美元，适合个人和企业使用。

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。

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。

Kokoro TTS 是一款支持多语言和语音融合的高性能文本转语音工具，免费用于商业用途。

Kokoro TTS 是一款强大的文本转语音工具，支持多种语言和语音融合功能，能够将 EPUB、PDF 和 TXT 文件转换为高质量的语音输出。该工具为开发者和用户提供了灵活的语音定制选项，能够轻松创建专业级音频。其主要优点包括支持多语言、语音融合、灵活的输入格式以及免费的商业使用许可。该产品定位为创作者、开发者和企业提供了高效、低成本的语音合成解决方案，适用于有声书创作、视频旁白、播客制作、教育内容生成以及客户服务等多个场景。

音刻转录是一款快速、精准、丝滑的音视频转录工具。

音刻转录是一款专注于音视频转录的在线工具，通过先进的语音识别技术，能够快速将音频或视频文件转换为文本。其主要优点包括转录速度快、准确率高、支持多种语言和文件格式。产品定位为高效办公和学习辅助工具，旨在帮助用户节省时间和精力，提升工作效率。音刻转录提供免费试用版本，用户可以体验其核心功能，付费版本则提供更多高级功能和大文件支持，满足不同用户的需求。

DuRT 是一款 macOS 上的实时语音识别和翻译软件，致力于提供高效、准确的语音处理服务。

DuRT 是一款专注于 macOS 系统的语音识别和翻译工具。它通过本地 AI 模型和系统服务实现语音的实时识别与翻译，支持多种语音识别方法，提高了识别的准确度和语言支持范围。该产品以悬浮框形式展示结果，方便用户在使用过程中快速获取信息。其主要优点包括高准确度、隐私保护（不收集用户信息）以及便捷的操作体验。DuRT 定位为一款高效生产力工具，旨在帮助用户在多语言环境下更高效地进行沟通和工作。目前产品可在 Mac App Store 下载，具体价格未在页面中明确提及。

低成本、高质量的文本转语音API，支持多种语言和口音，易于集成。

Lemonfox.ai Text-to-Speech API 是一款专注于文本转语音（TTS）的API服务。它利用先进的AI技术，能够快速将文本转换为自然流畅的语音，支持多种语言和口音，适用于多种场景，如语音播报、有声读物制作等。其主要优点包括低成本、高质量、易于集成，能够帮助企业或开发者快速实现语音功能，提升用户体验。该产品定位为面向企业和开发者的高效、经济的TTS解决方案，价格合理，提供免费试用，性价比高。

Scribe 是全球最准确的语音转文字模型，支持99种语言。

Scribe 是由 ElevenLabs 开发的高精度语音转文字模型，旨在处理真实世界音频的不可预测性。它支持99种语言，提供单词级时间戳、说话人分离和音频事件标记等功能。Scribe 在 FLEURS 和 Common Voice 基准测试中表现卓越，超越了 Gemini 2.0 Flash、Whisper Large V3 和 Deepgram Nova-3 等领先模型。它显著降低了传统服务不足语言（如塞尔维亚语、粤语和马拉雅拉姆语）的错误率，这些语言在竞争模型中的错误率通常超过40%。Scribe 提供 API 接口供开发者集成，并将推出低延迟版本以支持实时应用。

Phi-4-multimodal-instruct 是微软开发的轻量级多模态基础模型，支持文本、图像和音频输入。

Phi-4-multimodal-instruct 是微软开发的多模态基础模型，支持文本、图像和音频输入，生成文本输出。该模型基于Phi-3.5和Phi-4.0的研究和数据集构建，经过监督微调、直接偏好优化和人类反馈强化学习等过程，以提高指令遵循能力和安全性。它支持多种语言的文本、图像和音频输入，具有128K的上下文长度，适用于多种多模态任务，如语音识别、语音翻译、视觉问答等。该模型在多模态能力上取得了显著提升，尤其在语音和视觉任务上表现出色。它为开发者提供了强大的多模态处理能力，可用于构建各种多模态应用。

开源工业级自动语音识别模型，支持普通话、方言和英语，性能卓越。

FireRedASR-AED-L 是一个开源的工业级自动语音识别模型，专为满足高效率和高性能的语音识别需求而设计。该模型采用基于注意力的编码器-解码器架构，支持普通话、中文方言和英语等多种语言。它在公共普通话语音识别基准测试中达到了新的最高水平，并且在歌唱歌词识别方面表现出色。该模型的主要优点包括高性能、低延迟和广泛的适用性，适用于各种语音交互场景。其开源特性使得开发者可以自由地使用和修改代码，进一步推动语音识别技术的发展。

开源的工业级普通话自动语音识别模型，支持多种应用场景。

FireRedASR 是一个开源的工业级普通话自动语音识别模型，采用 Encoder-Decoder 和 LLM 集成架构。它包含两个变体：FireRedASR-LLM 和 FireRedASR-AED，分别针对高性能和高效能需求设计。该模型在普通话基准测试中表现出色，同时在方言和英文语音识别上也有良好表现。它适用于需要高效语音转文字的工业级应用，如智能助手、视频字幕生成等。模型开源，便于开发者集成和优化。

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。

Zonos-v0.1 是一款具有高保真语音克隆功能的实时文本转语音（TTS）模型。

Zonos-v0.1 是 Zyphra 团队开发的实时文本转语音（TTS）模型，具备高保真语音克隆功能。该模型包含一个 1.6B 参数的 Transformer 模型和一个 1.6B 参数的混合模型（Hybrid），均在 Apache 2.0 开源许可下发布。它能够根据文本提示生成自然、富有表现力的语音，并支持多种语言。此外，Zonos-v0.1 还可以通过 5 到 30 秒的语音片段实现高质量的语音克隆，并且可以根据说话速度、音调、音质和情绪等条件进行调整。其主要优点是生成质量高、支持实时交互，并且提供了灵活的语音控制功能。该模型的发布旨在推动 TTS 技术的研究和发展。

TurboTTS 是一款免费的在线文本转语音工具，提供高质量、类似真人的语音合成服务。

TurboTTS 是一款基于先进人工智能技术的文本转语音工具。它能够将书面文本快速转化为自然、逼真的语音，支持多达70种语言和300多种真实语音类型。该技术的主要优点在于其高质量的语音输出、简单易用的界面以及快速高效的内容生成能力。其背景信息显示，该平台已被全球超过228,000名创作者使用，每天处理超过5,000万条配音文本，提供99.9%的正常运行时间保证和98%的用户满意度。TurboTTS 提供免费和付费两种计划，适合个人和专业用户。

将网页、PDF或图片转化为引人入胜的播客，随时随地轻松聆听。

Sonofa 是一款基于人工智能技术的产品，能够将各种形式的阅读内容（如网页、PDF文件、图片中的文字）转化为播客形式的音频内容。这种技术利用了先进的文本转语音（TTS）和自然语言处理（NLP）能力，将文字内容转化为自然流畅的语音，让用户能够在不阅读的情况下获取信息。该产品的主要优点是极大地提高了信息获取的灵活性和效率，尤其适合那些在通勤、锻炼或休闲时无法阅读的人群。Sonofa 的背景信息显示，它旨在通过创新的方式帮助用户更好地利用碎片化时间，提升个人学习和工作效率。目前，Sonofa 提供的服务可能是基于订阅模式的付费服务，具体价格和定位尚未明确。

Orate 是一个专注于语音的 AI 工具包，支持文本转语音、语音转文本等功能。

Orate 是一个强大的 AI 语音工具包，能够将文本转换为逼真的语音，也可以将语音转换为文本，支持多种主流 AI 服务提供商。其主要优点是提供了一个统一的 API 接口，方便开发者快速集成和使用。该工具包适用于需要语音交互功能的应用开发，例如智能语音助手、语音播报系统等。其价格和具体定位尚未明确，但从其功能和社区反馈来看，具有较高的实用性和开发价值。

将口语转化为优雅文字的AI写作工具，让写作变得轻松自然。

Bulletpen是一款创新的AI写作应用，旨在帮助用户将口头表达转化为高质量的书面文本。它通过语音识别和自然语言处理技术，将用户的口语内容进行优化和润色，生成结构清晰、语言流畅的书面文本。该产品的主要优点是能够显著提高写作效率，尤其适合那些在写作时感到困难或缺乏灵感的用户。Bulletpen由17岁的高中生Rexan Wong开发，目标是为学生、作家和内容创作者提供一个简单易用的写作辅助工具。它提供免费和付费两种计划，满足不同用户的需求。

一款基于StyleTTS 2架构的先进AI文本转语音模型，拥有8200万参数，提供高质量的自然语音合成。

Kokoro TTS是一款专注于文本转语音的AI模型，其主要功能是将文本内容转换为自然流畅的语音输出。该模型基于StyleTTS 2架构，拥有8200万参数，能够在保持高质量语音合成的同时，提供高效的性能和较低的资源消耗。其多语言支持和可定制的语音包使其能够满足不同用户在多种场景下的需求，如制作有声读物、播客、培训视频等，尤其适合教育领域，帮助提升内容的可访问性和吸引力。此外，Kokoro TTS是开源的，用户可以免费使用，这使得它在成本效益上具有显著优势。

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。

Whisper Turbo 是一款免费在线快速准确的语音识别工具。

Whisper Turbo 是基于 Whisper Large-v3 模型优化的语音识别工具，专为快速语音转录而设计。它利用先进的 AI 技术，能够高效地将不同音频源的语音转换为文本，支持多种语言和口音。该工具免费提供给用户，旨在帮助人们节省时间和精力，提高工作效率。其主要面向需要快速准确转录语音内容的用户，如博主、内容创作者、企业等，为他们提供便捷的语音转文字解决方案。

一个具有先进语音活动检测、唤醒词激活和即时转录功能的稳健、高效、低延迟的语音到文本库。

RealtimeSTT是一个开源的语音识别模型，能够实时将语音转换为文本。它使用了先进的语音活动检测技术，可以自动检测语音的开始和结束，无需手动操作。此外，它还支持唤醒词激活功能，用户可以通过说出特定的唤醒词来启动语音识别。该模型具有低延迟、高效率的特点，适合需要实时语音转录的应用场景，如语音助手、会议记录等。它基于Python开发，易于集成和使用，且在GitHub上开源，社区活跃，不断有新的更新和改进。

超真实AI声音生成器，配备即时声音克隆技术，免费无限下载。

AnyVoice是一款领先的AI声音生成器，采用先进的深度学习模型，将文本转换为与人类无法区分的自然语音。其主要优点包括超真实的声音效果、多语言支持、快速生成能力以及语音定制功能。该产品适用于多种场景，如内容创作、教育、商业和娱乐制作等，旨在为用户提供高效、便捷的语音生成解决方案。目前产品提供免费试用，适合不同层次的用户。

基于ESP32的AI聊天机器人项目，可实现多语言对话与声纹识别

xiaozhi-esp32 是一个开源的 AI 聊天机器人项目，基于乐鑫的 ESP-IDF 开发。它将大语言模型与硬件设备相结合，使用户能够打造出个性化的 AI 伴侣。项目支持多种语言的语音识别与对话，具备声纹识别功能，能够识别不同用户的语音特征。其开源特性降低了 AI 硬件开发的门槛，为学生、开发者等群体提供了宝贵的学习资源，有助于推动 AI 技术在硬件领域的应用与创新。项目目前免费开源，适合不同层次的开发者进行学习与二次开发。