产品库

开源文本转语音系统

Whisper Speech是一款完全开源的文本转语音模型，由Collabora和Lion在Juwels超级计算机上训练。它支持多种语言和多种形式的输入，包括Node.js、Python、Elixir、HTTP、Cog和Docker。该模型的优势在于高效的语音合成和灵活的部署方式。定价方面，Whisper Speech完全免费。它定位于为开发者和研究人员提供一个强大的、可定制的文本转语音解决方案。

一款文本转语音工具，帮助您轻松阅读文本。

Praises是一款文本转语音（TTS）工具，它通过将文本转换为语音输出，帮助用户更轻松地获取信息。这款工具支持多种API，包括Azure API、Edge API等，并且支持多语言，使得它能够服务于全球用户。Praises的主要优点包括支持多种语音合成技术、易于集成和使用，以及开源的特性，使得开发者可以自由地修改和优化。Praises的背景信息显示，它是由个人开发者ElmTran开发的，并且遵循MIT开源协议，这意味着用户可以免费使用和修改该软件。

开源多模态大型语言模型，支持实时语音输入和流式音频输出。

Mini-Omni是一个开源的多模态大型语言模型，能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能，无需额外的ASR或TTS模型。此外，它还可以在思考的同时进行语音输出，支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。

开源的语音到语音转换模块

speech-to-speech 是一个开源的模块化GPT4-o项目，通过语音活动检测、语音转文本、语言模型和文本转语音等连续部分实现语音到语音的转换。它利用了Transformers库和Hugging Face hub上可用的模型，提供了高度的模块化和灵活性。

一个开源的GUI音频书和配音生成器。

Pandrator 是一个基于开源软件的工具，能够将文本、PDF、EPUB 和 SRT 文件转换成多种语言的语音音频，包括语音克隆、基于LLM的文本预处理以及将生成的字幕音频直接保存到视频文件中，与视频的原始音轨混合。它旨在易于使用和安装，具有一键安装程序和图形用户界面。

自然交互的语音理解和生成基础模型

FunAudioLLM是一个旨在增强人类与大型语言模型(Large Language Models, LLMs)之间自然语音交互的框架。它包含两个创新模型：SenseVoice负责高精度多语种语音识别、情绪识别和音频事件检测；CosyVoice负责自然语音生成，支持多语种、音色和情绪控制。SenseVoice支持超过50种语言，具有极低的延迟；CosyVoice擅长多语种语音生成、零样本上下文生成、跨语言语音克隆和指令跟随能力。相关模型已在Modelscope和Huggingface上开源，并在GitHub上发布了相应的训练、推理和微调代码。

自然对话场景下的文字转语音模型

ChatTTS是一个为对话场景设计的声音生成模型，特别适用于大型语言模型助手的对话任务，以及对话式音频和视频介绍等应用。它支持中英文，通过使用约10万小时的中英文数据训练，展现出高质量和自然度的语音合成能力。

将任何文本内容转换为语音MP3，使用AI在几秒钟内生成声音！今天免费生成您的第一段语音！

TTS Generator AI是一款创新的免费在线文本转语音工具，利用先进的AI技术将书面文本转换为高质量、自然流畅的音频。该工具适用于各种用户，包括需要听觉学习材料的学生、想要听长篇文件的研究人员以及希望使其书面内容更易访问的专业人士。TTS工具的一大亮点是它能够支持各种文本格式，从简单的文本文件到复杂的PDF文件，使其非常灵活。

真实的文本转语音技术

Crikk是一款价格实惠的强大文本转语音工具，支持56种语言，提供真实的语音合成技术。无论是用于语音播报、有声书还是教育，Crikk都能为用户提供高质量的声音合成。用户可以选择免费试用或者采用月费20美元的专业版，月额度为500,000个字符，拥有6种不同的声音和56种语言。此外，Crikk还将推出移动应用，实现图片或PDF的文字转语音。Monster Incorporation Inc.位于Delaware，United States。

人级别文本转语音合成模型

StyleTTS 2 是一款文本转语音（TTS）模型，使用大型语音语言模型（SLMs）进行风格扩散和对抗训练，实现了人级别的 TTS 合成。它通过扩散模型将风格建模为潜在随机变量，以生成最适合文本的风格，而无需参考语音。此外，我们使用大型预训练的 SLMs（如 WavLM）作为判别器，并结合我们的创新可微持续时间建模进行端到端训练，从而提高了语音的自然度。StyleTTS 2 在单说话人 LJSpeech 数据集上超越了人类录音，并在多说话人 VCTK 数据集上与之匹配，得到了母语为英语的评审人员的认可。此外，当在 LibriTTS 数据集上进行训练时，我们的模型优于先前公开可用的零样本扩展模型。通过展示风格扩散和对抗训练与大型 SLMs 的潜力，这项工作在单个和多说话人数据集上实现了一个人级别的 TTS 合成。

AI朗读文章，提高效率

Audioread是一款利用人工智能将文字转换为语音的工具。其具备超逼真的文本转语音引擎，能够以自然而专业的叙述风格朗读任何文本，旨在长时间收听，训练有素，几乎无法与真实有声书叙述者区分开来。用户可以使用网页应用、浏览器插件、iOS快捷方式或Android应用程序将文字转换为音频，也可以转发电子邮件、拖放PDF、复制/粘贴文本或者高亮文本。Audioread还支持创建并订阅私人播客，用户可以在任何播客应用程序中订阅私人播客，如Apple Podcasts、Google Podcasts、Spotify等。此外，用户还可以在浏览器中收听，无需安装任何应用。Audioread还提供付费服务，包括月度订阅，每月9.99美元，每次转换最多10万字，每日最多50万字，支持77种语言。

让Voice Remaker成为您最强大的AI语音生成助手

Voice Remaker是一个完全免费的AI语音生成工具，使用最好的合成音色，为您生成最接近人声的文本转语音（TTS）音频。即时将文本转换为自然流畅的语音，并以MP3音频文件的形式下载。

在线免费转换文本为语音

FreeTTS是一款在线免费文本转语音工具，支持几乎所有语言。您可以使用自然发音的声音创建高质量的音频文件，适用于任何项目。支持SSML TTS，可自定义音频，提供暂停、音频格式等细节。产品完全免费，可以用于商业用途。

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。

300+语音，78种语言，文本转语音

Speechki ChatGPT插件是一款支持78种语言和方言，提供300多种逼真声音选择的ChatGPT认可的文本转语音插件。将您的文本转换为高质量的音频内容，体验文本转语音的简便使用方式。立即体验Speechki，发现内容创作的未来！

转换文本为语音的最佳AI声音生成器

AiVOOV是一个使用900多种逼真的语音和125多种语言将文本转换为语音的在线工具。它提供专业的语音合成服务，可以将您的文本转换为MP3和WAV格式的声音文件。无论是制作商业广告还是语音教学材料，AiVOOV都能帮助您快速生成高质量的语音。

统一的开放命名实体和语音识别模型

WhisperNER是一个结合了自动语音识别（ASR）和命名实体识别（NER）的统一模型，具备零样本能力。该模型旨在作为ASR带NER的下游任务的强大基础模型，并可以在特定数据集上进行微调以提高性能。WhisperNER的重要性在于其能够同时处理语音识别和实体识别任务，提高了处理效率和准确性，尤其在多语言和跨领域的场景中具有显著优势。

为数据中心打造的高效AI推理平台

d-Matrix是一家专注于AI推理技术的公司，其旗舰产品Corsair™是为数据中心设计的AI推理平台，能够提供极高的推理速度和极低的延迟。d-Matrix通过硬件软件协同设计，优化了Generative AI推理性能，推动了AI技术在数据中心的应用，使得大规模AI推理变得更加高效和可持续。

释放超级推理能力，提升AIME & MATH基准测试性能。

DeepSeek-R1-Lite-Preview是一款专注于提升推理能力的AI模型，它在AIME和MATH基准测试中展现了出色的性能。该模型具备实时透明的思考过程，并且计划推出开源模型和API。DeepSeek-R1-Lite-Preview的推理能力随着思考长度的增加而稳步提升，显示出更好的性能。产品背景信息显示，DeepSeek-R1-Lite-Preview是DeepSeek公司推出的最新产品，旨在通过人工智能技术提升用户的工作效率和问题解决能力。目前，产品提供免费试用，具体的定价和定位信息尚未公布。

下一代Python笔记本

marimo是一个开源的Python反应式笔记本，它具有可复现性、对git友好、可以作为脚本执行，并且可以作为应用程序分享。它通过自动运行受影响的单元格来响应单元格的更改，消除了管理笔记本状态的繁琐工作。marimo的UI元素如数据框架GUI和图表，使得数据处理变得快速、未来感和直观。marimo笔记本以.py文件存储，可以与git版本控制一起使用，可以作为Python脚本运行，也可以导入符号到其他笔记本或Python文件中，并使用你喜欢的工具进行lint或格式化。所有这些都在现代的 AI 支持的编辑器中进行。

Qwen2.5-Coder系列的1.5B参数指令调优模型

Qwen2.5-Coder是Qwen大型语言模型的最新系列，专为代码生成、代码推理和代码修复而设计。基于强大的Qwen2.5，通过增加训练令牌至5.5万亿，包括源代码、文本代码基础、合成数据等，Qwen2.5-Coder-32B已成为当前最先进的开源代码大型语言模型，其编码能力与GPT-4o相匹配。此模型是1.5B参数的指令调优版本，采用GGUF格式，具有因果语言模型、预训练和后训练阶段、transformers架构等特点。

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。

开源的GenAI应用网关，快速构建个性化的AI应用

Arch是一个开源的网关，专为处理提示（prompts）而设计，它利用快速的大型语言模型（LLMs）来处理提示，并与后端系统无缝集成。Arch基于Envoy构建，支持任何应用程序语言，并提供快速部署和透明升级。它提供了包括流量管理、前端/边缘网关、监控和端到端追踪在内的多种功能，帮助开发者构建快速、健壮和个性化的GenAI应用。

AI模型部署和推理优化的专家

Neural Magic是一家专注于AI模型优化和部署的公司，提供领先的企业级推理解决方案，以最大化性能和提高硬件效率。公司的产品支持在GPU和CPU基础设施上运行领先的开源大型语言模型（LLMs），帮助企业在云、私有数据中心或边缘环境中安全、高效地部署AI模型。Neural Magic的产品背景信息强调了其在机器学习模型优化方面的专业知识，以及与科研机构合作开发的创新LLM压缩技术，如GPTQ和SparseGPT。产品价格和定位方面，Neural Magic提供了免费试用和付费服务，旨在帮助企业降低成本、提高效率，并保持数据隐私和安全。

AI驱动的视频生成工具，一键生成高质量营销视频

小视频宝（ClipTurbo）是一个AI驱动的视频生成工具，旨在帮助用户轻松创建高质量的营销视频。该工具利用AI技术处理文案、翻译、图标匹配和TTS语音合成，最终使用manim渲染视频，避免了纯生成式AI被平台限流的问题。小视频宝支持多种模板，用户可以根据需要选择分辨率、帧率、宽高比或屏幕方向，模板将自动适配。此外，它还支持多种语音服务，包括内置的EdgeTTS语音。目前，小视频宝仍处于早期开发阶段，仅提供给三花AI的注册用户。

免费 npm 库，用 Llama 3.2 Vision 进行 OCR，输出 markdown 文本

开源 npm 库，免费使用 Llama 3.2 Vision 进行 OCR，支持本地和远程图像，计划支持 PDF，受 Zerox 启发，有免费和付费接口

人脸匿名化技术，保留关键细节同时有效保护隐私。

face_anon_simple是一个人脸匿名化技术，旨在通过先进的算法在保护个人隐私的同时保留原始照片中的面部表情、头部姿势、眼神方向和背景元素。这项技术对于需要发布包含人脸的图片但又希望保护个人隐私的场合非常有用，比如在新闻报道、社交媒体和安全监控等领域。产品基于开源代码，允许用户自行部署和使用，具有很高的灵活性和应用价值。

Qwen2.5-Coder系列中的3B参数模型，专注于代码生成与理解。

Qwen2.5-Coder-3B是Qwen2.5-Coder系列中的一个大型语言模型，专注于代码生成、推理和修复。基于强大的Qwen2.5，该模型通过增加训练令牌至5.5万亿，包括源代码、文本代码基础、合成数据等，实现了在代码生成、推理和修复方面的显著改进。Qwen2.5-Coder-32B已成为当前最先进的开源代码大型语言模型，其编码能力与GPT-4o相匹配。此外，Qwen2.5-Coder-3B还为现实世界的应用提供了更全面的基础，如代码代理，不仅增强了编码能力，还保持了在数学和通用能力方面的优势。

Qwen2.5-Coder系列中的7B参数代码生成模型

Qwen2.5-Coder-7B是基于Qwen2.5的大型语言模型，专注于代码生成、代码推理和代码修复。它在5.5万亿的训练令牌上进行了扩展，包括源代码、文本代码接地、合成数据等，是目前开源代码语言模型的最新进展。该模型不仅在编程能力上与GPT-4o相匹配，还保持了在数学和一般能力上的优势，并支持长达128K令牌的长上下文。

Qwen2.5-Coder系列中的14B参数代码生成模型

Qwen2.5-Coder-14B-Instruct是Qwen2.5-Coder系列中的一个大型语言模型，专注于代码生成、代码推理和代码修复。基于强大的Qwen2.5，该模型通过扩展训练令牌到5.5万亿，包括源代码、文本代码接地、合成数据等，成为当前开源代码LLM的最新技术。它不仅增强了编码能力，还保持了在数学和通用能力方面的优势，并支持长达128K令牌的长上下文。