语音合成 / 识别

基于 CTranslate2 的 Whisper 命令行客户端，兼容 OpenAI 原版 CLI，速度最高提升 4 倍且更省内存。

基于状态空间模型的实时语音平台，提供低延迟流式 TTS、转录与语音 Agent API。

基于真人配音演员授权录音训练的 AI 语音合成平台，提供 280+ 逼真音色，支持多语言与团队协作。

免费开源的离线语音转文字桌面应用，按快捷键说话即可将文字粘贴到任意输入框。

5 秒克隆声音并实时生成任意语音的开源语音克隆项目，支持中文与多平台。

开源离线音视频转写工具，基于 Whisper 等模型，支持多语言、批量与实时预览。

AI 音视频编辑器，像编辑文本一样剪辑视频，支持转录、录音、AI 配音与生成素材。

Nari Labs 开源的 1.6B 文本转语音模型，可生成带情感、语气和非语言声音的对话语音。

开源 AI 数字人工具包，支持离线视频生成与真人克隆，可文本/语音驱动虚拟形象。

Linux 本地语音转文字工具，基于 Whisper，为 Claude Code 提供免打字语音输入，无需云端和 API Key。

企业级多模态深度伪造检测与音频水印平台，支持实时识别AI生成的音视频图像，可本地或云端部署。

本地优先的音视频转写应用，支持近百种语言、Whisper 全系模型、AI 摘要与字幕导出，隐私安全。

文本转视频工具，2000+ AI 配音、80+ 语言，自动生成画面、字幕与配乐。

基于 OpenAI Whisper 的音频视频转写 API，支持 98+ 语言、10GB 大文件，按量付费。

实时语音原生 AI 基础设施，提供低延迟、自然的语音 Agent API 与 SDK。

Descript 的 AI 语音克隆与音频修复功能，可重新生成人声、匹配语调并降噪。

把文本、文档或链接一键转成自然多说话人音频，支持完整脚本编辑、30+ 音色与 MP3 导出。

开源、注重隐私的 AI 笔记与研究平台，可把笔记转成播客，支持自选模型。

实时语音转文字工具，准确率高，支持 Mac、Windows、iPhone，可无缝用于各类应用与 AI 提示词输入。

语音转文字听写工具，能在任意应用中把口语变成润色后的书面文字，速度比打字快4倍。

跨平台 AI 语音转文字工具，支持离线与云端识别、100+ 语言和自定义 AI 模式。

轻量级端侧多语言 TTS，基于 ONNX 本地推理，99M 参数，支持 31 种语言与 44.1kHz 输出。

提供语音合成与语音识别 API 的云平台，支持多语言多音色，面向企业级应用。

字节跳动旗下的 AI 视频剪辑工具，支持智能成片、字幕、抠像与文生视频。