Step-Audio是一个开源智能语音交互框架，支持多语言对话、情感语调和语音克隆等功能。
Step-Audio是首个生产级开源智能语音交互框架，整合了语音理解与生成能力，支持多语言对话、情感语调、方言、语速和韵律风格控制。其核心技术包括130B参数多模态模型、生成式数据引擎、精细语音控制和增强智能。该框架通过开源模型和工具，推动智能语音交互技术的发展，适用于多种语音应用场景。
一款为 Apple Watch 设计的智能语音助手应用，无需手机即可完成多种操作。
Chirp AI 是一款专为 Apple Watch 设计的智能语音助手应用。它通过强大的语音识别和人工智能技术，让用户能够仅通过语音指令完成各种操作，如发送信息、获取信息、搜索网络等，极大地提升了用户在移动场景下的操作效率。该产品的主要优点是无需频繁使用手机，即可实现高效的信息交互和任务处理。它适用于那些希望在日常生活中减少对手机依赖，同时又能快速获取信息和完成任务的用户。目前该应用提供免费下载，定位为提升用户生产力和便捷性的智能工具。
FoloUp 是一个用于招聘的 AI 驱动语音面试平台。
FoloUp 是一款专注于招聘流程的 AI 驱动语音面试平台。它通过智能生成面试问题、实时语音交互和深度分析候选人回答，帮助企业高效筛选和评估候选人。该平台利用先进的 AI 技术，确保面试过程的自然流畅，并提供详细的候选人表现报告。FoloUp 旨在通过技术提升招聘效率，降低人力成本，同时为候选人提供更公平的面试体验。目前，该平台以开源形式提供，支持自定义部署和使用。
一个基于语音交互的故事创作聊天机器人，提供沉浸式的“选择你自己的冒险”体验。
该产品利用 Gemini 2.0 语言模型和 Google Imagen 图像生成技术，结合语音识别和语音合成，为用户提供一个互动式的故事创作体验。用户可以通过语音输入选择故事走向，系统会实时生成故事内容和相关图像。该产品的主要优点是创新的交互方式和强大的内容生成能力，适合用于教育、娱乐和创意启发。目前该产品处于开源阶段，未明确具体定价，主要面向开发者和教育机构。
首个面向语境智能的人类级实时交互系统，支持多情感、多风格语音交互。
SpeechGPT 2.0-preview 是一款由复旦大学自然语言处理实验室开发的先进语音交互模型。它通过海量语音数据训练，实现了低延迟、高自然度的语音交互能力。该模型能够模拟多种情感、风格和角色的语音表达，同时支持工具调用、在线搜索和外部知识库访问等功能。其主要优点包括强大的语音风格泛化能力、多角色模拟以及低延迟交互体验。目前该模型仅支持中文语音交互，未来计划扩展到更多语言。
MiniCPM-o 2.6是一个强大的多模态大型语言模型，适用于视觉、语音和多模态直播。
MiniCPM-o 2.6是MiniCPM-o系列中最新且功能最强大的模型。该模型基于SigLip-400M、Whisper-medium-300M、ChatTTS-200M和Qwen2.5-7B构建，拥有8B参数。它在视觉理解、语音交互和多模态直播方面表现出色，支持实时语音对话和多模态直播功能。该模型在开源社区中表现优异，超越了多个知名模型。其优势在于高效的推理速度、低延迟、低内存和功耗，能够在iPad等终端设备上高效支持多模态直播。此外，MiniCPM-o 2.6易于使用，支持多种使用方式，包括llama.cpp的CPU推理、int4和GGUF格式的量化模型、vLLM的高吞吐量推理等。
随时随地陪伴你的智能助手
理想同学是由理想汽车依托自研大模型精心打造的一款人工智能应用，旨在为用户提供一个随时在线的智能助手。它具备知识问答能力，能解答汽车、出行、财经、科技等领域的问题，并擅长英文词句翻译、文本生成等，助力用户学习生活。此外，它还具备视觉感知能力，可以陪伴用户和家庭一起看世界，识别外出游玩时遇到的各种事物。产品界面设计简洁大方，语音输入精准迅速，输出自然流畅，近似人声，是一款集知识问答、视觉识别和语音交互于一体的智能助手。
AI模型上构建的AI应用和网站平台
Agentplace是一个无需编码知识即可在AI模型上构建AI应用和网站平台。它利用AI的适应性、常识、知识和语音能力，允许用户完全通过文本编程。产品的主要优点包括动态用户界面、语音模式、常识理解和即时发布。Agentplace的背景信息显示，它旨在通过AI技术简化网站和应用的创建过程，使非技术用户也能轻松构建交互式和动态的网站。价格方面，Agentplace提供免费和付费两种定价计划，以满足不同用户的需求。
AI助手，通过语音和动画指导用户，提升网站交互体验。
Speek是一款AI驱动的助手，通过语音和动画鼠标指针指导用户在网站上的操作，帮助解答问题、引导用户了解网站功能，并简化购买决策。它通过提供实时帮助，结合支持和引导，快速安装并立即开始工作，改善用户体验，提升销售，并减少客户支持查询。
Google的AI助手，提升创造力与生产力。
Google Gemini是一款由Google开发的AI助手应用，旨在通过人工智能技术帮助用户提高创造力和生产力。它允许用户通过语音与应用交互，进行头脑风暴、简化复杂话题、为重要时刻排练等。Gemini能够连接用户喜爱的Google应用，如搜索、YouTube、Google Map、Gmail等，提供交互式视觉和现实世界示例，解锁专业知识，获取关于任何主题的定制信息。此外，它还能帮助用户更快速、更好地规划旅行，创建AI生成的图像，并提供摘要、深入研究和源链接。
多模态AI平台，整合文本、图像和音频交互
GPT-4o是OpenAI推出的先进多模态AI平台，它在GPT-4的基础上进一步扩展，实现了真正的多模态方法，涵盖文本、图像和音频。GPT-4o设计上更快、更低成本、更普及，彻底革新我们与AI互动的方式。它提供了流畅且直观的AI交互体验，无论是参与自然对话、解读复杂文本，还是识别语音中的微妙情感，GPT-4o的适应能力都是无与伦比的。
使用OpenAI实时API与文档进行语音聊天
voice-chat-pdf是一个基于LlamaIndex项目，使用Next.js构建的示例，它通过简单的RAG系统，允许用户通过语音与PDF文档进行交互。这个项目需要OpenAI API密钥来访问实时API，并在项目中生成文档的嵌入向量，以便进行语音交互。它展示了如何将先进的机器学习技术应用于提高文档交互的效率和便捷性。
低延迟的实时语音交互API
Realtime API 是 OpenAI 推出的一款低延迟语音交互API，它允许开发者在应用程序中构建快速的语音到语音体验。该API支持自然语音到语音对话，并可处理中断，类似于ChatGPT的高级语音模式。它通过WebSocket连接，支持功能调用，使得语音助手能够响应用户请求，触发动作或引入新上下文。该API的推出，意味着开发者不再需要组合多个模型来构建语音体验，而是可以通过单一API调用实现自然对话体验。
低延迟、高质量的端到端语音交互模型
LLaMA-Omni是一个基于Llama-3.1-8B-Instruct构建的低延迟、高质量的端到端语音交互模型，旨在实现GPT-4o级别的语音能力。该模型支持低延迟的语音交互，能够同时生成文本和语音响应。它在不到3天的时间内使用仅4个GPU完成训练，展示了其高效的训练能力。
百度旗下新搜索智能助手，提供AI搜索与创作服务。
文小言是百度推出的一款基于文心大模型的智能搜索助手APP，它通过AI技术为用户提供搜索、创作、聊天等多种服务。该产品通过记忆用户喜好和需求，提供个性化的搜索结果和创作建议，同时支持语音和拍照输入，使得用户能够更加便捷地获取信息和创作内容。
与任何大型语言模型进行快速的免提语音交互。
Open-LLM-VTuber 是一个开源项目，旨在通过语音与大型语言模型（LLM）进行交互，具有实时的Live2D面部捕捉和跨平台的长期记忆功能。该项目支持macOS、Windows和Linux平台，允许用户选择不同的语音识别和语音合成后端，以及自定义的长期记忆解决方案。它特别适合希望在不同平台上实现与AI进行自然语言对话的开发者和爱好者。
使用AI语音表单收集数据
Waveform.ai 是一个利用人工智能技术通过语音表单收集数据的平台。它通过自然语言交互的方式，帮助用户在客户访谈、员工调查、市场研究和潜在客户生成等方面进行数据收集。该平台的主要优点包括：1. 更全面和深入的信息收集：通过AI驱动的调查，能够收集到更全面和有洞察力的数据，从而进行更深入的分析和做出更明智的决策。2. 更高的响应率：通过AI驱动的语音表单与用户进行自然互动，提高调查的响应率和用户满意度。3. 反映品牌身份：可以个性化语音和个性，以反映品牌身份，创造一致且难忘的用户体验。4. 时间和成本效益：与传统的人工数据收集方法相比，节省时间和降低成本，同时保持准确性和可靠性。
智能卖货主播大模型，提升销售效率，增强购物体验。
Streamer-Sales 销冠是一个基于大语言模型的智能卖货主播系统，它能够根据商品特点从激发用户购买意愿的角度出发进行商品解说。该模型在 InternLM2 的基础上通过指令微调而来，集成了 LMDeploy 加速推理，支持 ASR 语音生成文字，RAG 检索增强生成，Agent 网络查询等功能，并通过 TTS 技术生成带有感情的语音，最终生成主播数字人视频，为商品解说提供全方位的技术支持。
© 2025 AIbase 备案号：闽ICP备08105208号-14