在线转换音频和视频为文字的免费工具。
Transcriptly是一个免费的音频和视频转文字工具，支持98种语言，适用于内容创作者、学生和专业人士。其主要优点在于快速、准确转录视频内容，提供多种输出格式和支持多语言。
Mistral OCR 是一款强大的文档理解 OCR 产品，能够以极高的准确性从 PDF 和图像中提取文本、图像、表格和方程式。
Mistral OCR 是由 Mistral AI 开发的先进光学字符识别 API，旨在以无与伦比的准确性提取和结构化文档内容。它能够处理包含文本、图像、表格和方程式的复杂文档，输出 Markdown 格式的结果，便于与 AI 系统和检索增强生成（RAG）系统集成。其高精度、高速度和多模态处理能力使其在大规模文档处理场景中表现出色，尤其适用于科研、法律、客服和历史文献保护等领域。Mistral OCR 的定价为每美元 1000 页标准使用量，批量处理可达每美元 2000 页，还提供企业自托管选项，满足特定隐私需求。
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。
一个用于生成播客及其他音频文件转录文本的工具，支持多种语言模型和语音识别API。
Podscript 是一个强大的音频转录工具，它利用语言模型和语音到文本（STT）API，为播客和其他音频内容生成高质量的转录文本。该工具支持多种流行的STT服务，如Deepgram、AssemblyAI和Groq，并且可以处理YouTube视频的自动生成字幕。Podscript的主要优点是其灵活性和易用性，用户可以通过简单的命令行界面或方便的Web界面来操作。它适用于播客创作者、内容制作者以及需要快速转录音频的用户。Podscript是开源的，用户可以根据自己的需求进行定制和扩展。
基于推理驱动的目标检测技术，通过文本提示实现类似人类精度的检测。
Agentic Object Detection 是一种先进的推理驱动目标检测技术，能够通过文本提示精确识别图像中的目标对象。它无需大量的自定义训练数据，即可实现类似人类精度的检测。该技术利用设计模式对目标的独特属性（如颜色、形状和纹理）进行深度推理，从而在各种场景中实现更智能、更精确的识别。其主要优点包括高精度、无需大量训练数据以及能够处理复杂场景。该技术适用于需要高精度图像识别的行业，如制造业、农业、医疗等领域，能够帮助企业提高生产效率和质量控制水平。产品目前处于试用阶段，用户可以免费试用体验其功能。
MeetMinutes是一款基于AI的会议记录工具，可自动转录、总结并管理会议。
MeetMinutes利用AI技术提升会议效率，能自动转录、总结会议内容，支持多语言，提供任务管理等功能。终身版59美元，面向企业和频繁开会团队。
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。
为视频提供高精度字幕的AI工具，支持多种语言和格式。
Captioner是一个专注于视频字幕生成的AI工具，基于OpenAI的Whisper模型优化，能够为视频提供高精度的字幕。它支持98种以上语言，能够处理长达3小时的视频，并提供无缝的字幕编辑体验。该工具的主要优点包括高精度转录、精确的时间戳对齐、支持多种字幕格式（如SRT、VTT）以及无缝的字幕编辑功能。其背景是为内容创作者提供高效、低成本的字幕解决方案，帮助他们节省时间并提升内容质量。提供两种付费计划：$10/月（年付）和$20/月（月付），并提供60分钟的免费试用。
一个具有先进语音活动检测、唤醒词激活和即时转录功能的稳健、高效、低延迟的语音到文本库。
RealtimeSTT是一个开源的语音识别模型，能够实时将语音转换为文本。它使用了先进的语音活动检测技术，可以自动检测语音的开始和结束，无需手动操作。此外，它还支持唤醒词激活功能，用户可以通过说出特定的唤醒词来启动语音识别。该模型具有低延迟、高效率的特点，适合需要实时语音转录的应用场景，如语音助手、会议记录等。它基于Python开发，易于集成和使用，且在GitHub上开源，社区活跃，不断有新的更新和改进。
一个用于检测幻觉的开源评估模型，基于Llama-3架构，拥有700亿参数。
PatronusAI/Llama-3-Patronus-Lynx-70B-Instruct是一个基于Llama-3架构的大型语言模型，旨在检测在RAG设置中的幻觉问题。该模型通过分析给定的文档、问题和答案，评估答案是否忠实于文档内容。其主要优点在于高精度的幻觉检测能力和强大的语言理解能力。该模型由Patronus AI开发，适用于需要高精度信息验证的场景，如金融分析、医学研究等。该模型目前为免费使用，但具体的商业应用可能需要与开发者联系。
小型智能多光旗舰无人机，支持智能检测、激光标注测量等多项功能。
DJI Matrice 4 系列无人机是大疆创新推出的面向行业应用的高性能无人机产品。该系列包含 Matrice 4T 和 Matrice 4E 两款机型，具备强大的智能检测、激光标注测量等功能。Matrice 4T 适用于电力巡检、应急抢险、公共安全、水利林业监测等多种场景，而 Matrice 4E 则更专注于高精度专业测绘和精细化表面巡检。其开放的机身 AI 算力和全面升级的配件，使得飞行系统更安全可靠，进一步提升了作业效率和精度。产品定位为高端行业无人机，价格区间为 Matrice 4T ￥38,888 起，Matrice 4E ￥27,888 起，适合需要高精度、高效率空中作业的企业和机构使用。
LG AI Research开发的双语生成模型
EXAONE 3.5是LG AI Research开发的一系列指令调优的双语（英语和韩语）生成模型，参数范围从2.4B到32B。这些模型支持长达32K令牌的长上下文处理，并在真实世界用例和长上下文理解方面展现出最先进的性能，同时在与最近发布的类似大小模型相比的一般领域中保持竞争力。EXAONE 3.5模型包括：1) 2.4B模型，优化用于小型或资源受限设备的部署；2) 7.8B模型，与前代模型大小相匹配，但提供改进的性能；3) 32B模型，提供强大的性能。
AI音视频转录与总结工具，提升学习与工作效率。
叮当好记（ReadLecture）是一款旨在提升学习与工作效率的AI音视频转录与总结工具。它通过先进的AI技术，将音视频内容精准转换为文字稿，并提供翻译、总结、思维导图大纲等功能，适用于讲座、播客、访谈、会议等多种场景。产品背景信息显示，叮当好记支持多国语言，并能自动识别发言人，保留核心信息，方便用户后续的笔记整理和内容创作。价格方面，叮当好记提供免费试用，并根据不同的用户需求提供多种VIP会员套餐，满足不同用户的需求。
构建您的AI驱动知识库
Nullity AI是一个AI驱动的知识库构建平台，允许用户从文档、音频、PDF和网站中创建内部和可共享的空间，并构建自己的搜索引擎。该产品通过整合多种媒介的信息，提供强大的搜索和索引功能，帮助用户有效管理和检索信息。产品背景信息显示，Nullity AI旨在通过AI技术革新信息管理与检索过程，其主要优点包括多模态数据处理、高精度的AI转录服务、以及对复杂动态网站的智能爬取能力。产品定位于需要高效知识管理和信息检索的企业或组织。
视频分析工具，结合Llama视觉模型和OpenAI Whisper进行本地视频描述生成。
video-analyzer是一个视频分析工具，它结合了Llama的11B视觉模型和OpenAI的Whisper模型，通过提取关键帧、将它们输入视觉模型以获取细节，并结合每个帧的细节和可用的转录内容来描述视频中发生的事情。这个工具代表了计算机视觉、音频转录和自然语言处理的结合，能够生成视频内容的详细描述。它的主要优点包括完全本地运行无需云服务或API密钥、智能提取视频关键帧、使用OpenAI的Whisper进行高质量音频转录、使用Ollama和Llama3.2 11B视觉模型进行帧分析，以及生成自然语言描述的视频内容。
70亿参数的文本生成模型
Llama-lynx-70b-4bitAWQ是一个由Hugging Face托管的70亿参数的文本生成模型，使用了4-bit精度和AWQ技术。该模型在自然语言处理领域具有重要性，特别是在需要处理大量数据和复杂任务时。它的优势在于能够生成高质量的文本，同时保持较低的计算成本。产品背景信息显示，该模型与'transformers'和'safetensors'库兼容，适用于文本生成任务。
记录、转录和翻译音频笔记的终极应用
iMemo是一个音频记录和转录应用，它通过AI技术帮助用户捕捉和管理信息，支持超过100种语言的即时转录和总结，让用户无论何时何地都能轻松记录讲座、会议、访谈和个人笔记。产品的主要优点包括AI驱动的转录和总结、多语言支持、组织和搜索功能，以及用户友好的界面。iMemo适合学生、教师、商务专业人士、记者、播客等需要高效记录和信息管理的用户。
AI技术实现语音转文字和内容总结的应用
AI Transcriber: Speech to Text 是一款利用人工智能技术将语音备忘录、会议、访谈和视频转换成文字的应用。它不仅支持WhatsApp语音转录和通话录音转录，还具备多语言支持和自动总结功能。这款应用的主要优点在于其快速准确的AI转录能力，能够帮助用户节省时间并简化任务。产品背景信息显示，Voiser AI 是该应用的开发者，提供包括隐私政策和使用条款在内的详细信息。该应用免费下载，但提供应用内购买服务。
© 2025 AIbase 备案号：闽ICP备08105208号-14