产品库

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。

GPT聊天语音

通过多语言TTS文本转语音和STT语音转文本功能，使GPT聊天具备语音交互能力。

创造逼真的人声，提升内容质量

Speechimo是一款文本转语音工具，能够将文本转化为高质量的人声，逼真程度让人惊叹。它可以广泛应用于视频、播客、有声书等领域，为用户提供高效、省时省力的内容创作体验。用户可以在不花大价钱聘请专业配音员的情况下，轻松地为自己的项目生成专业级的语音。Speechimo的定价灵活，提供14天免费试用，之后用户可以根据需求选择不同的订阅方案。

AI智能助手，助您完成文本、图像和代码生成。

BFF AI是您可信赖的人工智能助手，提供全面、准确、周到的回答。无论您需要回答问题、转录语音还是激发创造力，BFF AI都能助您一臂之力。立即尝试！

让应用能够通过语音转文本和文本转语音等功能聆听、理解甚至与客户交谈

Azure AI Speech Studio是一个语音服务平台，提供语音转文本、文本转语音等功能。它可以帮助应用实现语音聆听、理解和交流的能力。Speech Studio提供了多种语音功能，包括语音转文本、实时语音转文本、批处理语音转文本、自定义语音识别、语音翻译、文本转语音等。用户可以根据自己的需求选择合适的功能，并通过示例代码快速上手。Speech Studio还提供了学习资源，包括文档、快速入门指南、Microsoft 问答和Microsoft Learn等。

最强大的语音转文本API

Deepgram是一款强大的语音转文本API，提供准确、高速、成本低廉的语音识别服务。它还提供特定领域的语言模型，可满足企业级需求。开发者可以放心使用Deepgram构建应用，提高开发速度。

AI生成内容的终极平台

MaximusAI是一款集成AI驱动内容生成的终极平台。解锁人工智能的力量，轻松创建引人入胜的内容。通过MaximusAI，将您的内容创作提升到一个新的水平。立即使用AI创新赋予您的品牌力量。

使用人工智能生成代码、文本和图片

Texthub AI是一个革命性的解决方案，利用人工智能生成代码、文本和图片。告别繁重的手工工作，让我们的人工智能为您提供帮助。立即尝试Texthub AI，体验人工智能的力量！

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。

打造无限可能，一次只用一个声音。

Forever Voices是一个AI声音合成平台，使用最先进的语音合成技术，可以根据用户提供的输入生成高质量的自然语音。它具有多种声音样式和语音效果可供选择，用户可以通过简单的文本输入来控制生成的声音的内容和表达方式。Forever Voices的优势在于其声音质量和多样性，能够满足各种不同的声音需求，包括广告配音、游戏角色配音、有声读物、语音助手等。该平台提供了灵活的定价选项，用户可以根据自己的需求选择适合的付费方案。

实时生成语音，节省时间和金钱

WellSaid Labs是一款顶级的企业级AI语音平台，帮助企业和顶级创作者实时将文本转化为语音。成千上万的公司使用它来创建引人入胜的内容和体验，节省时间和金钱，而又不会降低质量。平台提供多种声音人选，支持团队协作和共享项目，适用于企业的安全和合规要求。

将您的内容转化为智能播客

ElevenReader 是一款利用人工智能技术将PDF、文章、电子书等文本内容转化为播客的应用。它通过AI技术生成智能播客，让用户在任何时间、任何地点都能聆听内容。产品背景信息显示，ElevenLabs致力于通过高质量的AI音频技术，帮助用户以全新的方式消费和体验内容。GenFM on ElevenReader支持多种语言，满足全球用户的需求。

联合语音转录和实体识别的先进模型

Whisper-NER是一个创新的模型，它允许同时进行语音转录和实体识别。该模型支持开放类型的命名实体识别（NER），能够识别多样化和不断演变的实体。Whisper-NER旨在作为自动语音识别（ASR）和NER下游任务的强大基础模型，并且可以在特定数据集上进行微调以提高性能。

多模态语音大型语言模型

ultravox-v0_4_1-mistral-nemo是一个基于预训练的Mistral-Nemo-Instruct-2407和whisper-large-v3-turbo的多模态语音大型语言模型（LLM）。该模型能够同时处理语音和文本输入，例如，一个文本系统提示和一个语音用户消息。Ultravox通过特殊的<|audio|>伪标记将输入音频转换为嵌入，并生成输出文本。未来版本计划扩展标记词汇以支持生成语义和声学音频标记，进而可以输入到声码器中产生语音输出。该模型由Fixie.ai开发，采用MIT许可。

多模态语音大型语言模型

fixie-ai/ultravox-v0_4_1-llama-3_1-70b是一个基于预训练的Llama3.1-70B-Instruct和whisper-large-v3-turbo的大型语言模型，能够处理语音和文本输入，生成文本输出。该模型通过特殊伪标记<|audio|>将输入音频转换为嵌入，并与文本提示合并后生成输出文本。Ultravox的开发旨在扩展语音识别和文本生成的应用场景，如语音代理、语音到语音翻译和口语音频分析等。该模型遵循MIT许可，由Fixie.ai开发。

多模态语音大型语言模型

fixie-ai/ultravox-v0_4_1-llama-3_1-8b是一个基于预训练的Llama3.1-8B-Instruct和whisper-large-v3-turbo的大型语言模型，能够处理语音和文本输入，生成文本输出。该模型通过特殊的<|audio|>伪标记将输入音频转换为嵌入，并生成输出文本。未来版本计划扩展标记词汇以支持生成语义和声学音频标记，进而可以用于声码器产生语音输出。该模型在翻译评估中表现出色，且没有偏好调整，适用于语音代理、语音到语音翻译、语音分析等场景。

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。

将书籍转化为有声书，脚本转化为播客的全面工作流程

ElevenLabs Projects 是一个专注于长音频内容制作的平台，它允许用户将书籍和脚本转换成有声书和播客。该产品支持多种文件格式，拥有广泛的语音库，并提供情感范围和上下文适应的AI语音技术。它还提供了一系列高级功能，如多语言支持、特定文本片段的语音分配和片段编辑。ElevenLabs Projects 以其高质量的AI音频技术，帮助创作者和企业在全球范围内传播他们的故事。

基于LLM的智能字幕助手，一键生成高质量视频字幕

卡卡字幕助手（VideoCaptioner）是一款功能强大的视频字幕配制软件，利用大语言模型进行字幕智能断句、校正、优化、翻译，实现字幕视频全流程一键处理。产品无需高配置，操作简单，内置基础LLM模型，保证开箱即用，且消耗模型Token少，适合视频制作者和内容创作者。

Najva：您的AI驱动的Mac语音助手，将语音快速转换为文本。

Najva是一款专为Mac设计的AI驱动的语音助手，它结合了先进的本地语音识别技术和强大的AI模型，将您的语音转换成智能文本。这款应用特别适合那些思维速度比打字速度快的用户，如作家、开发者、医疗专业人员等。Najva以其轻量级、原生Swift应用、零追踪和完全免费等特点，为用户提供了一个注重隐私和效率的工作流程解决方案。

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。

利用ElevenLabs技术将个人资料转化为独特声音。

X to Voice是ElevenLabs提供的一项服务，它允许用户分析个人资料并生成一个独特的声音。这项技术主要优点在于其创新性和个性化，用户可以通过上传文本内容，利用ElevenLabs的Text to Voice技术，将文本转换为语音，从而创建出代表个人或品牌形象的声音。产品背景信息显示，ElevenLabs致力于通过其API提供高质量的语音合成服务，X to Voice是其在个性化声音设计领域的一次尝试。产品定位于为用户提供一种新颖的互动方式，通过声音增强个人或品牌的独特性。

Android平台上的私有、设备端语音识别键盘和文字服务

Transcribro是一款运行在Android平台上的私有、设备端语音识别键盘和文字服务应用，它使用whisper.cpp来运行OpenAI Whisper系列模型，并结合Silero VAD进行语音活动检测。该应用提供了语音输入键盘，允许用户通过语音进行文字输入，并且可以被其他应用显式使用，或者设置为用户选择的语音转文字应用，部分应用可能会使用它来进行语音转文字。Transcribro的背景是为用户提供一种更安全、更私密的语音转文字解决方案，避免了云端处理可能带来的隐私泄露问题。该应用是开源的，用户可以自由地查看、修改和分发代码。

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。

一站式AI视频生成平台

AI Studios是一个提供全方位AI视频生成解决方案的平台，它结合了自然语言处理、机器学习等先进技术，使用户能够快速创建高质量的视频内容。该平台的主要优点包括高效率、低成本、易操作性，以及强大的自定义功能。AI Studios通过提供80+种语言的文本转语音、视频翻译、视频模板等工具，帮助用户轻松制作教育视频、商业广告、新闻报道等多样化视频内容。价格方面，AI Studios提供免费试用，并根据用户需求提供不同级别的付费服务。

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。

AI驱动的语音听写工具

Whispo是一款利用人工智能技术的语音听写工具，它能够将用户的语音实时转换成文字。这款工具使用了OpenAI Whisper技术进行语音识别，并支持使用自定义API进行语音转写，还允许通过大型语言模型进行转录后处理。Whispo支持多种操作系统，包括macOS（Apple Silicon）和Windows x64，并且所有数据都存储在本地，保障了用户隐私。它的设计背景是为了提高那些需要大量文字输入的用户的工作效率，无论是编程、写作还是日常记录。Whispo目前是免费试用的，但具体的定价策略尚未在页面上明确。

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）。

在线文本转语音工具，支持74种语言及318种声音。

文字转语音工具是一款在线服务产品，它能够将文本内容转换成自然流畅的语音输出，支持74种不同的语言和318种不同的声音风格。这项技术的应用场景广泛，包括视频配音、有声读物制作、公告通知、出海营销和外语学习等。产品的主要优点包括支持多语言、多声音选择、无需下载安装、不限使用次数和时长，且完全免费。它为内容创作者、营销人员、教育工作者和语言学习者提供了极大的便利。

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。