Step-Audioは、業界初のプロダクションレベルのオープンソースインテリジェント音声対話フレームワークであり、音声理解と生成能力を統合し、多言語対応、感情表現、方言、話速、リズムスタイルの制御をサポートしています。そのコアテクノロジーには、130Bパラメータのマルチモーダルモデル、生成データエンジン、精密音声制御、拡張インテリジェンスが含まれます。このフレームワークは、オープンソースモデルとツールを通じて、インテリジェント音声対話技術の発展を促進し、さまざまな音声アプリケーションシナリオに適用できます。

FireRedASR-AED-Lは、高効率と高性能な音声認識ニーズに応えるために設計された、オープンソースの産業レベル自動音声認識モデルです。本モデルは、アテンション機構に基づくエンコーダ?デコーダアーキテクチャを採用し、標準中国語、中国語の方言、英語など複数の言語に対応しています。公開されている標準中国語音声認識ベンチマークテストにおいて最高レベルの精度を達成し、歌の歌詞認識においても優れた性能を発揮します。主な利点として、高性能、低遅延、幅広い適用性があり、様々な音声対話シーンに適しています。オープンソースであるため、開発者は自由にコードを使用?変更でき、音声認識技術の発展を促進します。

FireRedASRは、Encoder-DecoderとLLMを統合したアーキテクチャを採用した、オープンソースの工業レベル標準中国語自動音声認識モデルです。高性能と高効率のニーズに対応するため、FireRedASR-LLMとFireRedASR-AEDの2つのバリアントが含まれています。このモデルは標準中国語ベンチマークテストで優れた性能を示し、方言や英語の音声認識にも良好な結果を示します。スマートアシスタント、動画字幕生成など、効率的な音声テキスト変換を必要とする工業レベルのアプリケーションに適しています。モデルはオープンソースであるため、開発者は容易に統合および最適化できます。

PengChengStarlingは、多言語自動音声認識（ASR）に特化したオープンソースツールキットで、icefallプロジェクトをベースに開発されています。データ処理、モデル訓練、推論、微調整、デプロイといったASRの全プロセスをサポートしています。パラメータ設定の最適化とRNN-Transducerアーキテクチャへの言語IDの統合により、多言語ASRシステムのパフォーマンスを大幅に向上させています。主な利点としては、効率的な多言語サポート、柔軟な設定設計、強力な推論性能が挙げられます。PengChengStarlingのモデルは、様々な言語で優れた性能を発揮し、モデルサイズが小さく推論速度が非常に速いため、効率的な音声認識が必要な場面に最適です。

RealtimeSTTは、音声をリアルタイムでテキストに変換できるオープンソースの音声認識モデルです。高度な音声活動検出技術により、音声の開始と終了を自動的に検出し、手動操作は不要です。さらに、ウェイクワードアクティベーション機能もサポートしており、特定のウェイクワードを発話することで音声認識を開始できます。このモデルは低遅延で高効率であり、音声アシスタントや会議記録など、リアルタイムの音声転写が必要なアプリケーションシナリオに適しています。Pythonベースで開発されており、統合と使用が容易で、GitHubでオープンソースとして公開されており、活発なコミュニティがあり、継続的に更新と改善が行われています。

MinMoは、阿里巴巴グループの通義实验室が開発した、約80億パラメータを持つマルチモーダル大規模言語モデルです。シームレスな音声インタラクションの実現に特化しており、音声テキストアライメント、テキスト音声アライメント、音声音声アライメント、全二重インタラクションアライメントを含む複数段階のトレーニングを経て、140万時間におよぶ多様な音声データと幅広い音声タスクでトレーニングされています。MinMoは音声理解と生成における様々なベンチマークテストで最先端の性能を達成しており、同時にテキストの大規模言語モデルの能力も維持し、全二重対話（ユーザーとシステム間の同時双方向通信）をサポートしています。さらに、MinMoは、音声生成において従来のモデルを凌駕する、新規かつシンプルな音声デコーダを提案しています。MinMoの指示遵守能力は強化されており、ユーザーの指示に従って、感情、方言、話速などの詳細を含む音声生成を制御し、特定の音声を模倣することができます。MinMoの音声テキスト変換の遅延は約100ミリ秒、全二重遅延は理論上約600ミリ秒、実際は約800ミリ秒です。MinMoの開発は、従来のマルチモーダルモデルのアライメントにおける主な制約を克服し、ユーザーにより自然でスムーズ、人間味のある音声インタラクション体験を提供することを目的としています。

BetterWhisperXは、WhisperXを改良した自動音声認識モデルです。高速な音声テキスト変換サービスを提供し、単語レベルの時間スタンプと話者識別機能を備えています。大量のオーディオデータ処理を行う研究者や開発者にとって非常に重要であり、音声データ処理の効率と精度を大幅に向上させることができます。OpenAIのWhisperモデルをベースに、更なる最適化と改良が加えられています。現在、このプロジェクトは無料でオープンソースであり、開発者コミュニティにより効率的で正確な音声認識ツールを提供することを目指しています。

LiveKit Plugins Turn Detectorは、LiveKitエージェント向けのプラグインです。カスタムのオープンウェイトモデルを使用して、ユーザーの発言がいつ終了したかを判断することで、エンドツーエンドの発言終了検出を実現します。従来の音声活動検出（VAD）モデルと比較して、このプラグインは、このタスクのために特別にトレーニングされた言語モデルを利用することで、より正確で堅牢な発言終了検出方法を提供します。現在のバージョンは英語のみをサポートしており、他の言語には使用できません。

Moonshine Webは、ReactとViteを用いて構築されたシンプルなアプリケーションです。高速かつ正確な自動音声認識（ASR）向けに最適化された強力な音声認識モデルであるMoonshine Baseを搭載しています。リソースに制限のあるデバイスにも対応可能です。このアプリケーションはブラウザ上でローカルに動作し、Transformers.jsとWebGPUによる高速化（またはWASMを代替として）を採用しています。サーバー不要でローカル音声認識を実現できる点が重要であり、音声データの迅速な処理が必要なアプリケーションに最適です。

EmotionSense Proは、AIを活用した感情知能ツールで、Google Meetのビデオ通話内でリアルタイムで感情的な表情と認知状態を分析し、洞察情報を提供することでコミュニケーションを向上させます。

Chikka.aiは、企業が深い顧客洞察を得ることに重点を置いたAI製品です。インテリジェントな音声インタビュー技術により、リアルな会話をシミュレートし、大量の顧客フィードバックを迅速に収集し、価値のある洞察を自動的に抽出します。この製品の主な利点には、効率的なデータ収集能力、多言語対応、強力なプライバシー保護機能が含まれます。スタートアップ企業から大企業まで、あらゆる規模の企業がChikka.aiを使用して顧客ニーズを迅速に理解し、製品やサービスを最適化できます。現在、無料トライアルを提供しており、ユーザーはニーズに合わせて適切な価格プランを選択できます。

Voicepanelは、企業が迅速かつ効率的にユーザーフィードバックを収集することを支援するように設計された、最先端のAIユーザー調査プラットフォームです。自動化とインテリジェントな方法により、従来の時間がかかるユーザー調査プロセスを数分間の操作に簡素化します。このプラットフォームの中核技術には、自然言語処理、多言語サポート、動的なアンケート設計、リアルタイムデータ分析などが含まれており、企業が製品の問題を迅速に発見し、ユーザーエクスペリエンスを最適化し、製品の反復を加速するのに役立ちます。Voicepanelの主な利点は、その効率性、柔軟性、深い洞察力であり、製品開発、市場調査、ユーザーフィードバックの収集などのシナリオで、さまざまな規模の企業で使用できます。その価格モデルは有料使用であり、具体的な価格は企業のニーズと機能の選択によって異なります。

Lemniは、顧客体験の向上に特化したAIプラットフォームです。カスタムAIエージェントを通じて、企業は効率的でパーソナライズされた顧客インタラクションを実現できます。この製品は高度なAI技術を活用しており、顧客ニーズに迅速に対応し、多言語インタラクションをサポートし、既存のツールとシームレスに統合します。Lemniの主な利点には、迅速な展開、高度なカスタマイズ性、強力な自動化機能があります。その目標は、企業がグローバルに事業を拡大しながら、顧客との緊密な関係を維持することです。Lemniの価格設定戦略は柔軟性があり、さまざまな規模の企業で使用できます。

DuRTはmacOSシステムに特化した音声認識と翻訳ツールです。ローカルAIモデルとシステムサービスを使用して音声のリアルタイム認識と翻訳を実現し、複数の音声認識方法をサポートすることで、認識精度と対応言語の範囲を向上させています。この製品は、結果をフローティングウィンドウ形式で表示するため、ユーザーは使用中に迅速に情報を入手できます。主な利点としては、高い精度、プライバシー保護（ユーザー情報の収集なし）、そして便利な操作性などが挙げられます。DuRTは、高効率な生産性ツールとして位置付けられており、多言語環境下でのコミュニケーションと作業をより効率的に行うことを目的としています。現在、Mac App Storeからダウンロードできますが、具体的な価格はページには明記されていません。

Scribeは、ElevenLabsが開発した高精度な音声テキスト変換モデルであり、現実世界のオーディオの予測不可能性に対処することを目的としています。99言語に対応し、単語レベルのタイムスタンプ、話者分離、オーディオイベントのマーキングなどの機能を提供します。Scribeは、FLEURSとCommon Voiceのベンチマークテストで卓越したパフォーマンスを示し、Gemini 2.0 Flash、Whisper Large V3、Deepgram Nova-3などのトップモデルを上回っています。従来のサービスが不十分な言語（セルビア語、広東語、マラヤーラム語など）におけるエラー率を大幅に削減しており、これらの言語は競合モデルではエラー率が40％を超えることが一般的です。Scribeは開発者向けにAPIインターフェースを提供しており、リアルタイムアプリケーションに対応する低遅延バージョンも近日中にリリース予定です。

Noetは、AI駆動型カスタマーサポートプラットフォームです。スマートでパーソナライズされたサポートサービスを通じて、従来のカスタマーエクスペリエンスを根本から変革することを目指しています。高度なAI技術を活用し、24時間365日のスマートボイスとチャットサポートを実現。顧客の感情と意図をリアルタイムで分析し、Eメール、電話、WhatsApp、LinkedIn、Instagramなどのプラットフォームを含むオムニチャネルサポートを提供します。この革新的なカスタマーサポートにより、問題解決の効率が向上するだけでなく、プロアクティブなケアと問題発生の予防を通じて、顧客満足度がさらに向上します。Noetの登場は、カスタマーサポートサービスが新たなインテリジェントな時代に入ったことを示しており、企業に効率的でインテリジェントなカスタマーサポートソリューションを提供し、競争の激しい市場で優位に立つのに役立ちます。

Rivieraはホテル業界向けに設計されたAI音声プラットフォームです。スマートな音声対話を通じて顧客体験を向上させ、ホテルの運用効率を最適化することを目的としています。多言語対応の対話機能を備え、顧客からの問い合わせに迅速に対応し、予約、ルームサービスなどの要望を処理します。さらに、データ分析を通じてパーソナライズされたサービスを提供します。高度なAI技術を活用することで、人的介入を削減し、運用コストを低減します。特にピーク時における従業員の負担軽減に効果的で、ホテル業界のデジタルトランスフォーメーション、即時性とパーソナライズされたサービスへの顧客ニーズの高まりに対応するために開発されました。料金と具体的な導入方法は、ホテルの規模とニーズに合わせてカスタマイズいたします。

Step-Audioは、業界初のプロダクションレベルのオープンソースインテリジェント音声対話フレームワークであり、音声理解と生成能力を統合し、多言語対応、感情表現、方言、話速、リズムスタイルの制御をサポートしています。そのコアテクノロジーには、130Bパラメータのマルチモーダルモデル、生成データエンジン、精密音声制御、拡張インテリジェンスが含まれます。このフレームワークは、オープンソースモデルとツールを通じて、インテリジェント音声対話技術の発展を促進し、さまざまな音声アプリケーションシナリオに適用できます。