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。

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。

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。

Swift是一個由Groq、Cartesia和Vercel支持的快速AI語音助手。它使用Groq進行OpenAI Whisper和Meta Llama 3的快速推理，Cartesia的Sonic語音模型進行快速語音合成，並即時流式傳輸到前端。VAD技術用於檢測用戶說話並運行語音片段上的回調。Swift是一個使用TypeScript編寫的Next.js項目，並部署在Vercel上。

Friend是一款領先的開源AI穿戴設備，它通過連接移動設備，提供自動、高質量的會議、聊天和語音備忘錄的即時轉錄服務。它具備即時AI音頻處理能力，低功耗藍牙技術，以及開源軟件設計，使得用戶能夠方便地訪問和貢獻代碼。該產品以其便攜性、實用性和開源性，為需要高效記錄和管理對話內容的用戶提供了一個創新解決方案。

Real-time Voice AI Agent是一個高度靈活的即時語音交互模型，它能夠在大約500毫秒內通過語音回答任何查詢。該模型支持用戶選擇任何大型語言模型、文本到語音(TTS)模型和語音到文本(STT)模型。它非常適合用於客戶服務機器人、接待員等涉及語音的應用場景。

june是一個結合了Ollama、Hugging Face Transformers和Coqui TTS Toolkit的本地語音聊天機器人。它提供了一種靈活、注重隱私的解決方案，可以在本地機器上進行語音輔助交互，確保沒有數據被髮送到外部服務器。產品的主要優點包括無需聯網即可使用、保護用戶隱私、支持多種交互模式等。

MiGPT是一個通過將小愛音箱與ChatGPT的智能理解能力相結合，實現智能家居語音控制的項目。它不僅支持設備自動化，還能夠通過角色扮演、流式響應、長短期記憶等技術，讓智能家居設備更智能、更貼心地響應用戶的指令。MiGPT支持Docker和Node.js兩種啟動方式，用戶可以根據自己的需求進行選擇。

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。

Lookie是一個旨在幫助用戶快速吸收和總結YouTube視頻內容的工具。它通過AI技術，讓用戶能夠一鍵提取視頻的關鍵信息，節省時間，提高學習效率。Lookie的背景是信息爆炸時代，人們需要快速獲取知識，而YouTube作為全球最大的視頻分享平臺，擁有海量的信息資源。Lookie通過智能化處理，幫助用戶從繁雜的信息中提煉出精華，滿足快節奏生活中的知識獲取需求。

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。

漢王語音王App是漢王科技基於自研多模態天地大模型，自主研發的智能語音旗艦應用。它集AI語音記錄、智能翻譯與同聲傳譯於一體，支持AI精準轉寫、拍錄同步、話稿整理、智能總結及不間斷即時翻譯等功能。依託全棧AI技術，漢王語音王致力於幫助用戶跨越語言障礙，提高辦公、學習、會議、旅遊等場景的效率和便捷性。

Gemini Live是谷歌推出的AI助手Gemini的新功能，它允許用戶進行自由流暢的對話，支持多聲道選擇，無需手持操作，提供更自然、會話式的交互體驗。它是數字助理領域的重大升級，能夠處理複雜任務，節省用戶寶貴的時間。

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。

Voice Assistant Plugin for GPT 是一款專為GPT設計的語音助手插件，旨在通過語音交互提升用戶體驗。該插件結合了先進的語音識別技術，允許用戶通過語音命令與GPT進行交流，實現更加自然和便捷的對話體驗。產品背景信息顯示，該插件由Air Tech Studio開發，支持多語言，並且注重用戶數據安全，不與第三方分享任何數據。

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。