语音识别与生成

Stream‑Omni 是由中科院 ICT NLP 团队开源的一体化 GPT‑4o 风格语言-视觉-语音多模态聊天模型。支持任何输入组合（文本、图像、语音）并生成文本和语音回应，具备边听边列文字中转、轻量训练与同声互动能力，是 AI 工具使用者构建多模态界面的优秀起点。

Higgs Audio V2 是 Boson AI 发布的开源音频大语言模型，基于 1000 万小时语音数据训练，支持多说话人对话、情感语音、多语言语音生成，适合 AI 工具使用者构建语音 Agent 和音频应用。

LeVo 是由清华、大氪 AI Labs 联合开发的高保真音乐生成框架，支持歌词转歌、声乐与伴奏融合、DPO 多偏好对齐，适用于音乐创作、音频生成领域的 AI 工具用户。

社交媒体多语言AI视频生成工具。

Voxtral 是由 Mistral 推出的首款开源语音理解模型系列，支持高精度转录、语音问答、多语言识别与函数调用，提供 24B 和 3B 两种参数规模，适合 AI 工具使用者本地部署或云端集成。

一款专为播客创作者设计的 Web 端 AI 工具。

具备同理心与情感的 AI 对话体验。

腾讯混元团队联合腾讯音乐天琴实验室（MuseV）于 2025 年 5 月 28 日发布并开源的语音驱动数字人模型。

SongGeneration 是腾讯AILab开发的开源歌曲生成模型，基于 LeVo 架构与音乐编码器，可从歌词、风格描述与参考音频中并行生成和谐的“人声+伴奏”歌曲，支持中文与英文，适合 AI 工具使用者快速落地音乐创作。

ByteDance开发的多模态文档图像解析模型，处理包含文本、表格、图形和公式等交织元素的复杂文档图像而设计。

Huxe AI——一款全新的“个人音频伴侣应用”，由前Google NotebookLM团队打造，支持每日个性化音频简报与实时问答互动。

Resemble AI 开发并于 2025 年开源发布的高性能文本转语音（TTS）模型。

MakeSong 是一款AI歌曲生成器，支持将文本或歌词快速转化为专业级、可商用的 AI 歌曲，适合 AI 工具使用者进行视频背景音乐、社交媒体内容创作与音乐原型制作。

ThinkSound 是一款基于 Chain-of-Thought 推理的多模态音频生成与编辑框架，支持任意模态输入（视频、文本、音频），可交互地为视频生成高质 Foley 声音、定向对象声音细化和自然语言音频编辑，适合 AI 工具使用者打造智能多模态内容流程。

闪电说是一款端侧优先的 AI 语音输入工具，主打毫秒级语音识别与本地处理，支持 Windows 和 macOS。它通过 AI 优化和即时转写，让语音输入比传统键盘快 4 倍，同时保护用户隐私，适合写作、编程、聊天、会议记录等多种场景。

Eapy 是一款由 Pozalabs 开发的 AI 音乐平台，专注于帮助音乐创作者轻松推广作品并提升创作效率。它允许用户上传音乐、图像和文本，生成高质量的在线推广页面，吸引唱片公司、A&R 代表和同步代理的注意。

“小凹语音输入法” 是由 智谱 AI 推出的智能语音转写工具，支持高准确率语音识别、多场景语音输入与自动润色，帮助用户显著提升写作 /输入效率。

Seed LiveInterpret 2.0 是字节跳动 Seed 团队推出的端到端双向中英文语音同传模型，支持零样本声音克隆、超低延迟（约 2–3 秒）实时翻译，适用于 AI 工具使用者与跨语言交流场景。

通过高度拟人的语音代理，实现大规模自动化拨号、销售线索筛选与呼叫中心角色扮演训练。

MOSS‑TTSD 是 OpenMOSS 推出的开源中英双语对话语音合成模型，通过低比特率编码器与 Qwen3 架构支持零样本多说话人克隆和超长对话生成，适合 AI 工具使用者打造自然 expressive 会话播客、访谈等语音应用。

Vui——一款轻量级、轻量级语音对话模型（Lightweight Voice Dialogue Model），具备上下文感知与声纹克隆能力的开源 on‑device 模型。

Play AI 公司推出的开源音频编辑模型，基于先进的扩散模型（diffusion model）构建，专注于提供高效的音频精细编辑与修复功能。

11ai，即 ElevenLabs，由 Piotr Dąbkowski 和 Mati Staniszewski 于 2022 年创办，总部位于纽约，专注于开发高质量语音合成与克隆技术。

一款创新的人工智能音乐创作平台，旨在帮助用户通过自然语言描述快速生成原创音乐作品。

深入解析 Voxiyo：一款面向 AI 工具使用者的智能语音记录与摘要 App，涵盖核心功能、使用流程、技术解析、实用场景与常见问答，帮助你高效管理语音笔记。

一款针对儿童的 AI 语音故事助手，纯语音交互，无须屏幕或打字。

一款开源的 AI 图文创作助手，能够将音频和视频内容一键转换为多种风格的文档，如小红书笔记、微信公众号文章、知识笔记、思维导图等。

将任何网页内容快速转化为超现实的AI生成播客，多语言支持包括中文。

由 ElevenLabs 于 2025 年 6 月推出的最新文本转语音（TTS）模型的 Alpha 版本。

PreenCut 是一款开源 AI 视频检索与剪辑工具，支持语音识别（WhisperX）、LLM 分析、自然语言查询与批量处理，为 AI 工具使用者提供高效精准的视频片段检索和剪辑能力。

一款先进的在线 AI 语音合成与声音克隆平台，支持多语言文本转语音（TTS）和个性化声音定制。

可在短时间内根据视频内容自动生成完整版权清晰的原创音轨，并通过逐帧分析实现多层音频的精准同步。

为企业提供云端基础的联系中心软件解决方案。

阿里巴巴通义实验室开发的空间音频生成模型，能够直接从 360° 视频生成空间音频，为虚拟现实和沉浸式娱乐带来了全新的可能性。

一款基于人工智能的在线音乐生成平台，旨在帮助用户通过简单的文本输入或歌词创作，快速生成高质量的原创歌曲。

GLM-TTS 是一款由 Zhipu AI 开源的工业级 文本转语音（TTS） 系统，支持零样本音色克隆、情感表达控制与流式生成。它采用双阶段架构与多奖励强化学习，可实现高质量自然语音合成，适用于语音助手、有声读物、客服、教育等多种场景。

MiniWork 是一站式 AI 工具平台，集成写作助手、图像编辑、PDF 转换、营销分析、SEO 优化等多功能，支持 GPT‑4o、Claude 3.7、Gemini 2.5 等多种模型，适用于内容创作者、运营人员和职场精英，提升工作效率。

一款完全免费的在线 AI 语音克隆工具，能够在几秒钟内通过上传音频样本来即时生成语音克隆模型，支持多语言和情感语调选择。

Avido.ai 是一款面向内容创作者的 AI视频工具生成工具，支持从脚本、图像到配音自动生成高质量视听内容，并能自动上传 YouTube 和 TikTok，实现内容自动化创作和发布。

Echovox Studio 是一款 AI 驱动的全流程音频创作平台，涵盖脚本构思、AI 配音、声音克隆与高级音频编辑，适合播客、视频配音者与内容创作者，高效生成专业音频内容。

一款面向企业级应用的实时语音活动检测系统，能够提供精准的帧级语音活动检测。

Fish Audio 推出的新一代文本转语音（TTS）模型，旨在生成高度自然、富有情感的语音输出。

一款由 AI 驱动的播客生成平台，可以将文章、PDF、网站、YouTube 视频、文本和脚本等内容，快速转换为专业级音频播客。

Mozart AI 是首个AI 驱动的数字音频工作站（DAW），通过自然语言或语音交互生成和编辑音乐元素，提供协助式创作流程，适合 AI 工具使用者和音乐创作者快速落地灵感。

Qwen3-Omni-Flash 是阿里巴巴 Qwen 团队于 2025 年 12 月 1 日发布的下一代原生全模态（omni-modal）大模型，支持文本、图像、音频和视频等多种输入，并能实时流式输出文本与自然语音，具备高效多模态理解与交互能力，覆盖 119 种文本语言及多语言语音交互，实现真正无缝实时 AI 体验。

讯飞输入法是由 科大讯飞 出品的一款多模式智能中文输入法，支持语音、拼音、手写、拍照 OCR、方言识别等多种输入方式，并可高度自定义键盘皮肤与输入体验，适合日常聊天、办公、学习与跨语言沟通用户。

Gemini TTS 是 Google 最新的文本转语音（Text-to-Speech）技术，通过 Gemini API 或 Google AI Studio 提供高质量、多语言、多角色语音合成服务。支持细粒度风格、语速、情绪与多语音输出控制，并可用于播客、课程、辅助工具与互动应用等场景。

Spokenly 是一款适用于 macOS / iOS 的智能语音听写与语音-驱动输入工具，支持 100+ 语言、离线转写与云服务、实时语音转文字、AI 文本润色、语音命令控制，适合写作、会议记录、聊天、编程、文档编辑等各种文本输入场景。