产品库

通用语音识别模型

Whisper 是一个通用的语音识别模型。它经过大量多样化音频的训练，并且是一个多任务模型，可以进行多语言语音识别、语音翻译和语种识别。

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。

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。

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。

语音到语音翻译系统，保留声音和等时性特征

TransVIP是由微软研究院开发的一个创新的语音到语音翻译系统，它能够在翻译过程中保留说话者的声音特征和等时性（即说话的节奏和停顿），这对于视频配音等场景非常有用。TransVIP通过联合概率实现端到端的推理，同时利用不同的数据集进行级联处理。该技术的主要优点包括高适应性、声音特征保留以及等时性保持，这使得它在多语言交流和内容本地化领域具有重要价值。

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_1-8b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。

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。

实时语音翻译,支持100多种语言的会议、通话和聊天

Byrdhouse提供基于AI的实时语音翻译和字幕翻译,支持100多种语言,可用于你的会议、通话和聊天。Byrdhouse让我们不再为实时翻译操心,让你可以专注于与全球团队和国际合作伙伴的沟通协作。通过Byrdhouse,参会者无需笔记就可以投入到对话中。还可以获得不同语言的会议记录和文字记录。Byrdhouse帮助建立一个包容的文化,让每一个人的声音都能被倾听,无论你说什么语言。

精准翻译，帮你走遍世界

智能翻译是一款功能强大的翻译工具，能够快速准确地将文本、语音进行翻译。具有实时翻译、离线翻译、语音转文本等功能。同时支持多种语言互译，为用户提供便捷的国际交流工具。定价灵活，提供免费和付费套餐供选择。定位于个人用户、学生、商务人士等。

一款基于多模态模型的语音翻译产品，支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。

SeamlessM4T是一款基于多模态模型的语音翻译产品，支持近100种语言的自动语音识别、语音翻译、文本翻译、语音合成等功能。该产品采用了全新的多任务UnitY模型架构，能够直接生成翻译文本和语音。SeamlessM4T的自我监督语音编码器w2v-BERT 2.0通过分析数百万小时的多语言语音，学习如何在语音中找到结构和意义。该产品还提供了SONAR、SpeechLASER等多语言语音和文本数据集，以及fairseq2等序列建模工具包。SeamlessM4T的发布，标志着AI技术在实现语音翻译方面取得了重大突破。

实时语音翻译，打破语言障碍

Interpre-X 是一款实时语音翻译工具，支持10多种语言，帮助用户在任何地方打破语言障碍。通过最先进的人工智能技术，提供语音到语音、语音到文字、文字到语音和文字到文字的翻译服务。无需额外设备，只需良好的网络连接即可使用。Interpre-X 提供高质量的翻译，以自然、人类质量的声音和准确的口音进行播放。适用于社交、旅行、观看电视、学习语言以及与不同语言的朋友交流等场景。现已推出beta版，欢迎试用。

全球视频翻译利器

Dubbify是一款使视频翻译变得简单、快速和准确的工具。我们支持57种语言的内容输入，并提供20种语言的人工智能语音翻译。无论您是单独使用我们的服务还是通过API集成，我们都能满足您的需求。欢迎注册即可获得5美元的免费额度。

快速为任何社交媒体平台生成引人入胜的评论

Easy Comment Generator 是一款基于人工智能的在线工具，旨在为社交媒体用户提供快速生成评论的功能。它通过先进的 AI 技术，能够根据用户选择的平台、语言、风格和评论长度等参数，生成与内容相关且风格相符的评论。该工具的主要优点包括完全免费、无需注册、支持多平台和多语言，以及能够快速生成多种评论变体，节省用户的时间和精力。它适用于个人用户、社交媒体管理者以及企业品牌，帮助他们在社交媒体上保持活跃并提升用户互动率。

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。

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。

Embra 是一款 AI 操作系统，旨在简化工作流程，提升销售与产品开发效率。

Embra 是一款创新的 AI 操作系统，专为现代企业设计，旨在通过 AI 技术整合销售与产品开发流程。它通过智能会议记录、任务自动化、多语言支持等功能，帮助企业团队更高效地协作和管理项目。Embra 的核心优势在于其强大的图记忆引擎和 AI 代理功能，能够自动组织重要信息、生成报告，并支持多种工作场景。其价格策略灵活，提供免费试用和付费计划，适合追求高效协作和数字化转型的企业。

提供超逼真的交互式虚拟形象，用于变革数字互动体验。

Beyond Presence 是一家专注于利用数字孪生技术打造类人对话体验的公司。其核心产品是交互式虚拟形象（Conversational Avatars），能够实现高度逼真的实时对话。这种技术通过模拟人类的外貌、语音和行为，为企业提供了一种全新的客户服务、销售和培训解决方案。它不仅能够降低人力成本，还能实现 24/7 的不间断服务，提升客户满意度和忠诚度。此外，该产品支持多种语言，能够满足全球不同地区用户的需求。Beyond Presence 的产品定位是为企业提供高效、个性化且具有创新性的数字交互工具，其价格策略灵活，包括免费试用、个人、专业、商业和企业等多种套餐，以满足不同规模和需求的客户。

GaliChat 是一款基于 AI 的智能客服工具，旨在帮助企业实现客户支持自动化并提升业务增长。

GaliChat 是一款先进的 AI 智能客服工具，通过定制化的 AI 代理为企业提供无缝的客户体验和销售线索生成。它基于最新的 AI 和自然语言处理技术，能够理解并实时回答用户问题。其主要优点包括显著降低客户支持成本、提高响应速度和准确性，并支持多语言和快速部署。GaliChat 定位为中小企业的高效客服解决方案，提供免费试用，同时具备付费升级选项以满足更复杂需求。

Gemini Embedding 是一种先进的文本嵌入模型，通过 Gemini API 提供强大的语言理解能力。

Gemini Embedding 是 Google 推出的一种实验性文本嵌入模型，通过 Gemini API 提供服务。该模型在多语言文本嵌入基准测试（MTEB）中表现卓越，超越了之前的顶尖模型。它能够将文本转换为高维数值向量，捕捉语义和上下文信息，广泛应用于检索、分类、相似性检测等场景。Gemini Embedding 支持超过 100 种语言，具备 8K 输入标记长度和 3K 输出维度，同时引入了嵌套表示学习（MRL）技术，可灵活调整维度以满足存储需求。该模型目前处于实验阶段，未来将推出稳定版本。

基于LLM的文章翻译工具，自动翻译并创建多语言Markdown文件。

hugo-translator是一个基于大型语言模型（LLM）驱动的文章翻译工具。它能够自动将文章从一种语言翻译为另一种语言，并生成新的Markdown文件。该工具支持OpenAI和DeepSeek的模型，用户可以通过简单的配置和命令快速完成翻译任务。它主要面向使用Hugo静态网站生成器的用户，帮助他们快速实现多语言内容的生成和管理。产品目前免费开源，旨在提高内容创作者的效率，降低多语言内容发布的门槛。

Chikka.ai 是一款利用 AI 技术进行客户访谈并提取深度洞察的产品。

Chikka.ai 是一款专注于帮助企业获取深度客户洞察的 AI 产品。它通过智能语音访谈技术，模拟真实对话，快速收集大量客户反馈，并自动提炼出有价值的见解。该产品的主要优点包括高效的数据收集能力、多语言支持以及强大的隐私保护功能。它适用于各种规模的企业，从初创公司到大型企业，都能通过 Chikka.ai 快速了解客户需求，优化产品和服务。产品目前提供免费试用，用户可以根据自身需求选择合适的定价方案。

Aya Vision 32B 是一个支持多语言的视觉语言模型，适用于OCR、图像描述、视觉推理等多种用途。

Aya Vision 32B 是由 Cohere For AI 开发的先进视觉语言模型，拥有 320 亿参数，支持 23 种语言，包括英语、中文、阿拉伯语等。该模型结合了最新的多语言语言模型 Aya Expanse 32B 和 SigLIP2 视觉编码器，通过多模态适配器实现视觉与语言理解的结合。它在视觉语言领域表现出色，能够处理复杂的图像与文本任务，如 OCR、图像描述、视觉推理等。该模型的发布旨在推动多模态研究的普及，其开源权重为全球研究人员提供了强大的工具。该模型遵循 CC-BY-NC 许可证，并需遵守 Cohere For AI 的合理使用政策。

8亿参数的多语言视觉语言模型，支持OCR、图像描述、视觉推理等功能

CohereForAI的Aya Vision 8B是一个8亿参数的多语言视觉语言模型，专为多种视觉语言任务优化，支持OCR、图像描述、视觉推理、总结、问答等功能。该模型基于C4AI Command R7B语言模型，结合SigLIP2视觉编码器，支持23种语言，具有16K上下文长度。其主要优点包括多语言支持、强大的视觉理解能力以及广泛的适用场景。该模型以开源权重形式发布，旨在推动全球研究社区的发展。根据CC-BY-NC许可协议，用户需遵守C4AI的可接受使用政策。

Aya Vision 是 Cohere 推出的多语言多模态视觉模型，旨在提升多语言场景下的视觉和文本理解能力。

Aya Vision 是 Cohere For AI 团队开发的先进视觉模型，专注于多语言多模态任务，支持 23 种语言。该模型通过创新的算法突破，如合成标注、多语言数据扩展和多模态模型融合，显著提升了视觉和文本任务的性能。其主要优点包括高效性（在计算资源有限的情况下仍能表现出色）和广泛的多语言支持。Aya Vision 的发布旨在推动多语言多模态研究的前沿发展，并为全球研究社区提供技术支持。

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。

基于Llama框架的TTS基础模型，兼容16万小时标记化语音数据。

Llasa是一个基于Llama框架的文本到语音（TTS）基础模型，专为大规模语音合成任务设计。该模型利用16万小时的标记化语音数据进行训练，具备高效的语言生成能力和多语言支持。其主要优点包括强大的语音合成能力、低推理成本和灵活的框架兼容性。该模型适用于教育、娱乐和商业场景，能够为用户提供高质量的语音合成解决方案。目前该模型在Hugging Face上免费提供，旨在推动语音合成技术的发展和应用。

LLaDA是一种大规模语言扩散模型，具备强大的语言生成能力，与LLaMA3 8B性能相当。

LLaDA是一种新型的扩散模型，通过扩散过程生成文本，与传统的自回归模型不同。它在语言生成的可扩展性、指令遵循、上下文学习、对话能力和压缩能力等方面表现出色。该模型由中国人民大学和蚂蚁集团的研究人员开发，具有8B的规模，完全从零开始训练。其主要优点是能够通过扩散过程灵活地生成文本，支持多种语言任务，如数学问题解答、代码生成、翻译和多轮对话等。LLaDA的出现为语言模型的发展提供了新的方向，尤其是在生成质量和灵活性方面。