FunASR是一款語音離線文件轉寫服務軟件包，集成了語音端點檢測、語音識別、標點等模型，能夠將長音頻與視頻轉換成帶標點的文字，並支持多路請求同時轉寫。它支持ITN與用戶自定義熱詞，服務端集成有ffmpeg，支持多種音視頻格式輸入，並提供多種編程語言客戶端，適用於需要高效、準確語音轉寫服務的企業和開發者。

AsrTools是一款基於人工智能技術的語音轉文字工具，它通過調用大廠的ASR服務接口，實現了無需GPU和複雜配置的高效語音識別功能。該工具支持批量處理和多線程併發，能夠快速將音頻文件轉換成SRT或TXT格式的字幕文件。AsrTools的用戶界面基於PyQt5和qfluentwidgets，提供高顏值且易於操作的交互體驗。它的主要優點包括調用大廠接口的穩定性、無需複雜配置的便捷性、以及多格式輸出的靈活性。AsrTools適合需要快速將語音內容轉換成文字的用戶，特別是在視頻製作、音頻編輯和字幕生成等領域。目前，AsrTools提供免費使用大廠ASR服務的模式，對於個人和小團隊來說，可以顯著降低成本並提高工作效率。

Youtube-Whisper是一個基於Gradio的應用程序，它通過提取YouTube視頻的音頻並使用OpenAI的Whisper模型來轉錄成文本。這個工具對於需要將視頻內容轉化為文本以進行分析、存檔或翻譯的用戶來說非常有用。它利用了最新的人工智能技術，提高了視頻內容的可訪問性和可用性。

EMOVA（EMotionally Omni-present Voice Assistant）是一個多模態語言模型，它能夠進行端到端的語音處理，同時保持領先的視覺-語言性能。該模型通過語義-聲學解耦的語音分詞器，實現了情感豐富的多模態對話，並在視覺-語言和語音基準測試中達到了最先進的性能。

babelfish.ai 是一個基於瀏覽器的即時語音轉文字和翻譯應用。它利用 Huggingface Transformer.js 和 Supabase Realtime 技術，實現了本地化的即時語音識別和多語言翻譯功能。該應用支持將語音即時轉換為文本，並能將文本翻譯成200種語言，極大地提高了跨語言溝通的效率和便捷性。

Qwen2 Audio Instruct Demo 是一個基於音頻指令的交互式演示網站，它利用最新的人工智能技術，讓用戶通過語音指令與網頁進行互動。這種技術不僅增強了用戶體驗，還為殘障人士提供了更便捷的訪問方式。產品背景信息包括其開發團隊和技術支持，價格定位為免費試用，主要面向對人工智能交互感興趣的用戶群體。

WeST是一個開源的語音識別轉錄模型，以300行代碼的簡潔形式，基於大型語言模型（LLM）實現語音到文本的轉換。它由一個大型語言模型、一個語音編碼器和一個投影器組成，其中僅投影器部分可訓練。WeST的開發靈感來源於SLAM-ASR和LLaMA 3.1，旨在通過簡化的代碼實現高效的語音識別功能。

SpeechGPT2是由復旦大學計算機科學學院開發的端到端語音對話語言模型，能夠感知並表達情感，並根據上下文和人類指令以多種風格提供合適的語音響應。該模型採用超低比特率語音編解碼器（750bps），模擬語義和聲學信息，並通過多輸入多輸出語言模型（MIMO-LM）進行初始化。目前，SpeechGPT2還是一個基於輪次的對話系統，正在開發全雙工即時版本，並已取得一些有希望的進展。儘管受限於計算和數據資源，SpeechGPT2在語音理解的噪聲魯棒性和語音生成的音質穩定性方面仍有不足，計劃未來開源技術報告、代碼和模型權重。

Qwen2-Audio是由阿里雲提出的大型音頻語言模型，能夠接受各種音頻信號輸入，並根據語音指令進行音頻分析或直接文本回復。該模型支持兩種不同的音頻交互模式：語音聊天和音頻分析。它在13個標準基準測試中表現出色，包括自動語音識別、語音到文本翻譯、語音情感識別等。

FunASR是一款語音離線文件轉寫服務軟件包，集成了語音端點檢測、語音識別、標點等模型，能夠將長音頻與視頻轉換成帶標點的文字，並支持多路請求同時轉寫。它支持ITN與用戶自定義熱詞，服務端集成有ffmpeg，支持多種音視頻格式輸入，並提供多種編程語言客戶端，適用於需要高效、準確語音轉寫服務的企業和開發者。

AsrTools是一款基於人工智能技術的語音轉文字工具，它通過調用大廠的ASR服務接口，實現了無需GPU和複雜配置的高效語音識別功能。該工具支持批量處理和多線程併發，能夠快速將音頻文件轉換成SRT或TXT格式的字幕文件。AsrTools的用戶界面基於PyQt5和qfluentwidgets，提供高顏值且易於操作的交互體驗。它的主要優點包括調用大廠接口的穩定性、無需複雜配置的便捷性、以及多格式輸出的靈活性。AsrTools適合需要快速將語音內容轉換成文字的用戶，特別是在視頻製作、音頻編輯和字幕生成等領域。目前，AsrTools提供免費使用大廠ASR服務的模式，對於個人和小團隊來說，可以顯著降低成本並提高工作效率。

園丁提詞器是一款專為直播、演講、教學等場景設計的桌面提詞器應用。它通過智能語音識別技術，即時感知用戶語速，智能調節文本滾動速度，確保提詞與表達同步。產品融合尖端AI技術，提供文案優化、全渠道提取文案、無水印視頻下載、違禁詞檢測、文案配音等功能，顯著提升文本創作效率。園丁提詞器支持多窗口同步播放，滿足多樣展示需求，所有窗口均可置頂，避免遮擋，實現真正的隱形提詞。產品背景信息顯示，園丁提詞器歷經萬場直播考驗，穩定耐用，團隊持續創新，穩定迭代，提供卓越服務。

Kaption AI是一款Chrome瀏覽器插件，它利用人工智能技術將WhatsApp上的音頻消息轉換成文字，並提供消息摘要和回覆建議。這款插件重視用戶隱私和安全性，採用先進的AI技術實現準確的轉錄和總結。它特別適合那些經常使用WhatsApp且難以聽取長音頻消息的用戶，幫助他們節省時間，只關注重要的信息。

Ola Friend是字節跳動豆包推出的首款AI智能體耳機，它通過接入豆包大模型，與豆包APP深度結合，實現了無需打開手機即可通過語音喚醒AI助手的功能。這款耳機在信息查詢、旅遊出行、英語學習及情感交流等場景為用戶提供幫助，旨在成為用戶隨時陪伴的朋友。產品採用了OWS（Open Wearable Stereo）專利技術，實現了無感佩戴、不入耳、音響級聲效和超長續航等特點。

Rev AI提供高精度的語音轉錄服務，支持58種以上語言，能夠將視頻和語音應用中的語音轉換為文本。它通過使用世界上最多樣化的聲音集合進行訓練，為視頻和語音應用設定了準確性標準。Rev AI還提供即時流媒體轉錄、人類轉錄、語言識別、情感分析、主題提取、總結和翻譯等服務。Rev AI的技術優勢在於低詞錯誤率、對性別和種族口音的最小偏見、支持更多語言以及提供最易讀的轉錄文本。此外，它還符合世界頂級的安全標準，包括SOC II、HIPAA、GDPR和PCI合規性。

Youtube-Whisper是一個基於Gradio的應用程序，它通過提取YouTube視頻的音頻並使用OpenAI的Whisper模型來轉錄成文本。這個工具對於需要將視頻內容轉化為文本以進行分析、存檔或翻譯的用戶來說非常有用。它利用了最新的人工智能技術，提高了視頻內容的可訪問性和可用性。

EMOVA（EMotionally Omni-present Voice Assistant）是一個多模態語言模型，它能夠進行端到端的語音處理，同時保持領先的視覺-語言性能。該模型通過語義-聲學解耦的語音分詞器，實現了情感豐富的多模態對話，並在視覺-語言和語音基準測試中達到了最先進的性能。

EVI 2是Hume AI推出的新型基礎語音對語音模型，能夠以接近人類的自然方式與用戶進行流暢對話。它具備快速響應、理解用戶語調、生成不同語調、以及執行特定請求的能力。EVI 2通過特殊訓練增強了情感智能，能夠預測並適應用戶的偏好，維持有趣且引人入勝的性格和個性。此外，EVI 2還具有多語言能力，能夠適應不同應用場景和用戶需求。