语音识别与生成

VibeVoice-ASR 是微软开源的一体化自动语音识别（ASR）模型，支持单次处理最长约 60 分钟连续音频，并输出包含说话者标识、时间戳与转录文本的结构化结果，适用于会议、讲座、播客等长音频语音识别场景。

一款提供“真正 无限”AI 音频与视频转录服务的平台。

Meta 推出的统一多模态音频分离 AI 模型。

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。

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。

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。

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。

StepAudio R1 是首个真正能对音频进行“Chain-of-Thought（CoT）推理 / 深度分析”的开源音频语言模型，支持对说话、音乐、环境音进行理解、推理与分析，适合开发者、研究者、内容创作者用于音频理解、分析、检索与多模态工具构建。

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。

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。

“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。

聆音EchoCare是一款融合人工智能、声音识别与健康管理技术的智能照护平台，专注于老年人、慢性病患者与居家照护场景。

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。

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。

Mureka V7 是 Skywork AI 发布的最新 AI 音乐生成模型，基于 MusiCoT Chain‑of‑Musical‑Thought 技术，实现结构化、真实感极强的旋律和人声效果，适合 AI 工具使用者快速制作高质量原创音乐。

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。

BytePlus是字节跳动旗下 AI 平台，为开发者和企业提供图像生成、语音识别、推荐系统、增强现实等一站式 AI 能力，适合 AI 工具使用者构建复杂智能应用。

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。

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。

探索“千音漫语”智能声音创作平台：从配音、翻译、声音克隆到语音识别，揭开其架构与应用秘密，助力 AI 用户构建高效多语种音视频创作流程。

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。

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。

Qwen-TTS 是阿里云通义千问系列的高保真中英文语音合成模型，支持标准普通话、三种中文方言（北京话、上海话、四川话）及七种中英双语音色，通过流式输出实现快速、高质量语音生成。

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。

智声云配（DubbingX）是一款由智声悦合（杭州）科技推出的 AI 配音与音色克隆平台，支持多语言、多情绪、歌声转换及 API 集成，适用于有声书、游戏、广告、虚拟人等场景，为 AI 用户提供高拟真可商用配音解决方案。

Twocast 是一款 AI 驱动的双人播客生成平台，支持从文章、网址或文档快速生成 3–9 分钟的 AI 对话播客，拥有多语言、多音色支持及下载功能，是内容创作者、教育者与营销人员的高效音频工具。

咔皮记账是商汤科技推出的 AI 原生记账与财务管理工具，具备自动语音记账、AI 财务分析、多账本支持、智能预算与情感手账等功能，上线半年即突破百万用户，深受年轻群体喜爱。

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。

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。

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。

DeepPiano 是由 DeepWav 开发的 AI 钢琴学习平台，提供智能曲谱、AI 翻页、音频增强、性能辅导与自动编谱，旨在帮助 AI 工具使用者和钢琴爱好者提升演奏与创作能力。

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。

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。

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。

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。

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。

一款专业的 AI 音频处理工具，以免费使用、一键人声分离和伴奏提取闻名，支持多格式上传，适合音乐爱好者、内容创作者和音频剪辑者使用，在线体验无门槛，更高效地处理音频素材。

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。

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。

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。

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。

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

Google Arts & Culture 与英国国家美术馆（The National Gallery）合作推出的一款互动式 AI 实验项目。

一款基于人工智能技术的智能面试助手，旨在为求职者提供全方位的面试支持。

一款基于人工智能技术的智能提词软件，旨在为内容创作者、主播、演讲者等提供高效、便捷的提词服务。

一款先进的零样本 AI 播客生成工具，能够直接从纯文本输入中生成自然流畅的播客语音内容。

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。

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。