产品库

语音助手插件，提升GPT交互体验

Voice Assistant Plugin for GPT 是一款专为GPT设计的语音助手插件，旨在通过语音交互提升用户体验。该插件结合了先进的语音识别技术，允许用户通过语音命令与GPT进行交流，实现更加自然和便捷的对话体验。产品背景信息显示，该插件由Air Tech Studio开发，支持多语言，并且注重用户数据安全，不与第三方分享任何数据。

下一代语音AI，打造自然沟通的AI语音代理。

Ultravox.ai是一个先进的语音语言模型（SLM），直接处理语音，无需转换为文本，实现更自然、流畅的对话。它支持多语言，易于适应新语言或口音，确保与不同受众的顺畅沟通。产品背景信息显示，Ultravox.ai是一个开源模型，用户可以根据自己的需求进行定制和部署，价格为每分钟5美分。

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。

在线免费让AI文本更自然

Humanize.im是一个在线工具，旨在将AI生成的文本转化为更自然、更人性化的语言。它通过先进的算法和自然语言处理技术，提高文本的可读性和吸引力，同时绕过AI检测系统。这个工具对于内容创作者、营销人员、教育者等需要生成大量文本内容的用户来说，是一个提高工作效率和内容质量的利器。Humanize.im提供免费的使用额度，支持多语言，并且注重数据安全。

自动化视频内容翻译与配音

Microsoft Azure Video Translation API 是一项基于云的视频翻译服务，它利用人工智能技术自动翻译视频内容并生成配音。这项服务支持多种语言，可以帮助企业轻松本地化视频内容，以满足全球不同受众的需求。它通过提供自动化的解决方案来克服语言障碍，提高内容的全球可访问性。视频翻译API支持批量处理，允许用户上传视频文件，自动提取对话音频，进行翻译，并生成同步的字幕和配音。此外，它还提供了内容编辑功能，允许用户在最终确定配音视频之前审查和编辑翻译内容，确保准确度和文化适当性。

多模态语言模型，融合文本和语音

Spirit LM是一个基础多模态语言模型，能够自由混合文本和语音。该模型基于一个7B预训练的文本语言模型，通过持续在文本和语音单元上训练来扩展到语音模式。语音和文本序列被串联为单个令牌流，并使用一个小的自动策划的语音-文本平行语料库，采用词级交错方法进行训练。Spirit LM有两个版本：基础版使用语音音素单元（HuBERT），而表达版除了音素单元外，还使用音高和风格单元来模拟表达性。对于两个版本，文本都使用子词BPE令牌进行编码。该模型不仅展现了文本模型的语义能力，还展现了语音模型的表达能力。此外，我们展示了Spirit LM能够在少量样本的情况下跨模态学习新任务（例如ASR、TTS、语音分类）。

功能强大的语音离线文件转写服务

FunASR是一款语音离线文件转写服务软件包，集成了语音端点检测、语音识别、标点等模型，能够将长音频与视频转换成带标点的文字，并支持多路请求同时转写。它支持ITN与用户自定义热词，服务端集成有ffmpeg，支持多种音视频格式输入，并提供多种编程语言客户端，适用于需要高效、准确语音转写服务的企业和开发者。

个性化AI面试助手，助你在面试中脱颖而出。

JobJump - AI Interview Copilot是一款专为求职者设计的Chrome插件，它通过人工智能技术提供个性化的面试辅导。这款插件能够识别面试官的问题，并即时生成定制化的答案提示，帮助用户更自信地回答问题。它支持50多种面试语言，并针对200多个行业和角色进行了定制化。JobJump插件易于安装和使用，用户可以通过Google账号注册并免费开始使用。它适用于多种在线面试平台，能够帮助用户在面试中更好地展示自己，提高获得理想工作的机会。

现代、支持人工智能的移动浏览器

Arc Search 是一款现代、支持人工智能的移动浏览器，专注于让用户更快地找到答案，而不会受到互联网的干扰。它通过智能搜索技术，帮助用户过滤掉不必要的信息，直接定位到他们需要的答案，从而提高搜索效率。

世界最精确的AI语音转录服务

Rev AI提供高精度的语音转录服务，支持58种以上语言，能够将视频和语音应用中的语音转换为文本。它通过使用世界上最多样化的声音集合进行训练，为视频和语音应用设定了准确性标准。Rev AI还提供实时流媒体转录、人类转录、语言识别、情感分析、主题提取、总结和翻译等服务。Rev AI的技术优势在于低词错误率、对性别和种族口音的最小偏见、支持更多语言以及提供最易读的转录文本。此外，它还符合世界顶级的安全标准，包括SOC II、HIPAA、GDPR和PCI合规性。

无需编码，快速构建神经机器翻译器

Gaia是一个无需编码即可构建神经机器翻译器（NMT）的工具。它允许用户通过简单的点击操作来训练、部署和商业化自己的神经机器翻译器。该工具支持多语言，包括资源较少的语言对，并提供实时监控功能，帮助用户跟踪训练进度和性能指标。此外，Gaia还提供了易于集成的API，方便开发者将训练好的模型与自己的系统相结合。

极速语音识别，精准时间戳

OmniSenseVoice是基于SenseVoice优化的语音识别模型，专为快速推理和精确时间戳设计，提供更智能、更快速的音频转录方式。

开源大型语言模型，支持多语言和专业领域应用。

Qwen2.5是一系列基于Qwen2语言模型构建的新型语言模型，包括通用语言模型Qwen2.5，以及专门针对编程的Qwen2.5-Coder和数学的Qwen2.5-Math。这些模型在大规模数据集上进行了预训练，具备强大的知识理解能力和多语言支持，适用于各种复杂的自然语言处理任务。它们的主要优点包括更高的知识密度、增强的编程和数学能力、以及对长文本和结构化数据的更好理解。Qwen2.5的发布是开源社区的一大进步，为开发者和研究人员提供了强大的工具，以推动人工智能领域的研究和发展。

新型基础语音对语音模型，提供人性化对话体验。

EVI 2是Hume AI推出的新型基础语音对语音模型，能够以接近人类的自然方式与用户进行流畅对话。它具备快速响应、理解用户语调、生成不同语调、以及执行特定请求的能力。EVI 2通过特殊训练增强了情感智能，能够预测并适应用户的偏好，维持有趣且引人入胜的性格和个性。此外，EVI 2还具有多语言能力，能够适应不同应用场景和用户需求。

沟通无界，让每次对话都创造价值。

心辰Lingo语音大模型是一款先进的人工智能语音模型，专注于提供高效、准确的语音识别和处理服务。它能够理解并处理自然语言，使得人机交互更加流畅和自然。该模型背后依托西湖心辰强大的AI技术，致力于在各种场景下提供高质量的语音交互体验。

聚合6900+人工智能平台和工具，每日更新

ToolAI是一个提供全球范围内人工智能工具集合的平台，它聚合了6900多个AI平台和工具，并且每日更新，以帮助用户找到适合自己需求的AI工具。该平台覆盖了文案写作、电子邮件助手、设计助手、社交媒体助理等多种类别，为用户提供了一个一站式的AI工具搜索和发现服务。

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。

全球首款会话式AI调研工具。

TheySaid AI Surveys是一款创新的会话式人工智能调研工具，旨在通过自动化的互动方式，为企业提供更深入的客户反馈和洞察。该工具通过扫描网站生成有意义的调研问题，并利用AI聊天机器人Evo进行实时的个性化跟进问题，从而获取比传统调研方法多50-100倍的响应，并提高1-5%的净收入保留率。此外，该工具还提供AI生成的摘要，帮助用户快速识别常见主题和关键行动步骤，从而提升客户满意度和企业收益。

世界首款人工智能操作系统

Antispace是一款独立的研究实验室开发的人工智能操作系统，旨在通过自动化、速度和简单性解锁无与伦比的超能力。它通过统一的工作空间将所有工具连接到一个不断发展的HUD（抬头显示），控制你的工具，控制你的生活。Antispace使用AI来自动化工作、管理任务，并帮助你专注于最重要的事情。AI理解并记住你的偏好，为你个性化工作。Antispace致力于数据安全和隐私，只访问通过Gmail的必要信息，并使用行业标准的加密技术保护信息。

基于大型语言模型的语音识别技术。

Seed-ASR是由字节跳动公司开发的基于大型语言模型(Large Language Model, LLM)的语音识别模型。它通过将连续的语音表示和上下文信息输入到LLM中，利用LLM的能力，在大规模训练和上下文感知能力的引导下，显著提高了在包括多个领域、口音/方言和语言的综合评估集上的表现。与最近发布的大型ASR模型相比，Seed-ASR在中英文公共测试集上实现了10%-40%的词错误率降低，进一步证明了其强大的性能。

智能产品研究助手，快速洞察客户反馈。

Cynthia AI是由Andromeda Intelligence开发的一款人工智能产品研究助手，旨在帮助用户理解客户反馈、工单和其他定性数据，实现规模化的数据分析而无需用户端的繁琐操作。它通过深度搜索技术快速挖掘反馈中的宝贵信息，提供人性化、无术语的可操作答案，助力公司增长。Cynthia AI还具备数据摄入管道、自动化报告生成和多语言理解能力，能够将数据转化为具有战略指导意义的叙述，帮助用户做出更明智的决策。

音频指令演示，体验智能交互。

Qwen2 Audio Instruct Demo 是一个基于音频指令的交互式演示网站，它利用最新的人工智能技术，让用户通过语音指令与网页进行互动。这种技术不仅增强了用户体验，还为残障人士提供了更便捷的访问方式。产品背景信息包括其开发团队和技术支持，价格定位为免费试用，主要面向对人工智能交互感兴趣的用户群体。

实时语音交互的人工智能对话系统。

Listening-while-Speaking Language Model (LSLM)是一款旨在提升人机交互自然度的人工智能对话模型。它通过全双工建模(FDM)技术，实现了在说话时同时监听的能力，增强了实时交互性，尤其是在生成内容不满意时能够被打断和实时响应。LSLM采用了基于token的解码器仅TTS进行语音生成，以及流式自监督学习(SSL)编码器进行实时音频输入，通过三种融合策略（早期融合、中期融合和晚期融合）探索最佳交互平衡。

智能漫画翻译工具，快速准确多语言翻译。

AI Comic Translate是一款利用先进人工智能技术，为漫画爱好者和创作者提供快速准确的多语言翻译服务的智能工具。它具有成本效益高、易于使用、支持多种语言翻译等主要特点。该产品通过自动化翻译流程，大幅节省了翻译时间和成本，同时提供了用户友好的界面设计，使得无论是专业翻译者还是漫画爱好者都能轻松使用。

AI驱动的个人电脑助手

PC Agent是一款利用人工智能技术，通过屏幕内容和音频转录来理解用户的电脑环境，从而提供更加精准的辅助服务。它旨在解决当前聊天机器人的局限性，通过更深层次的交互提升用户体验。产品背景信息显示，PC Agent注重于提升个人电脑的使用效率，其主要优点包括智能理解环境、提供个性化帮助和持续的功能更新。

在Chrome浏览器内翻译阅读或书写的内容

DeepL Chrome扩展是一款由全球最精确的人工智能翻译器支持的浏览器插件，它允许用户在Chrome浏览器中即时翻译阅读或书写的内容。它利用神经网络和人工智能技术，能够捕捉最细微的差别，提供比同行业竞争对手更准确的翻译结果，准确度高达三倍以上。

确保文本原创性，防止抄袭的AI检测工具。

AI文本检测器是一款专业的AI检测工具，利用先进的AI技术，为用户提供文本原创性检测服务。它通过多种检测模型，如Chatgpt Detector Roberta、Roberta-Large OpenAI Detector和Roberta Academic Detector，确保检测结果的准确性和可靠性。该工具不仅免费使用，还支持多语言，响应速度快，并且强调用户隐私和数据安全。

强大的AI音频API，提升项目互动性。

ElevenLabs AI音频API提供了高质量的语音合成服务，支持多种语言，适用于聊天机器人、代理、网站、应用程序等，具有低延迟和高响应速度。该API支持企业级需求，确保数据安全，符合SOC2和GDPR合规性。

最先进的12B模型，支持多语言应用

Mistral NeMo 是由 Mistral AI 与 NVIDIA 合作构建的 12B 模型，具有 128k 个令牌的大型上下文窗口。它在推理、世界知识和编码准确性方面处于领先地位。该模型专为全球多语言应用程序设计，支持英语、法语、德语、西班牙语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语和印地语等多种语言。Mistral NeMo 还使用了新的分词器 Tekken，提高了文本和源代码的压缩效率。此外，该模型经过指令微调，提升了遵循精确指令、推理、处理多轮对话和生成代码的能力。

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。