parakeet-tdt-0.6b-v2 是一個 600 百萬參數的自動語音識別（ASR）模型，旨在實現高質量的英語轉錄，具有準確的時間戳預測和自動標點符號、大小寫支持。該模型基於 FastConformer 架構，能夠高效地處理長達 24 分鐘的音頻片段，適合開發者、研究人員和各行業應用。

Kimi-Audio 是一個先進的開源音頻基礎模型，旨在處理多種音頻處理任務，如語音識別和音頻對話。該模型在超過 1300 萬小時的多樣化音頻數據和文本數據上進行了大規模預訓練，具有強大的音頻推理和語言理解能力。它的主要優點包括優秀的性能和靈活性，適合研究人員和開發者進行音頻相關的研究與開發。

Step-Audio是首個生產級開源智能語音交互框架，整合了語音理解與生成能力，支持多語言對話、情感語調、方言、語速和韻律風格控制。其核心技術包括130B參數多模態模型、生成式數據引擎、精細語音控制和增強智能。該框架通過開源模型和工具，推動智能語音交互技術的發展，適用於多種語音應用場景。

FireRedASR-AED-L 是一個開源的工業級自動語音識別模型，專為滿足高效率和高性能的語音識別需求而設計。該模型採用基於注意力的編碼器-解碼器架構，支持普通話、中文方言和英語等多種語言。它在公共普通話語音識別基準測試中達到了新的最高水平，並且在歌唱歌詞識別方面表現出色。該模型的主要優點包括高性能、低延遲和廣泛的適用性，適用於各種語音交互場景。其開源特性使得開發者可以自由地使用和修改代碼，進一步推動語音識別技術的發展。

FireRedASR 是一個開源的工業級普通話自動語音識別模型，採用 Encoder-Decoder 和 LLM 集成架構。它包含兩個變體：FireRedASR-LLM 和 FireRedASR-AED，分別針對高性能和高效能需求設計。該模型在普通話基準測試中表現出色，同時在方言和英文語音識別上也有良好表現。它適用於需要高效語音轉文字的工業級應用，如智能助手、視頻字幕生成等。模型開源，便於開發者集成和優化。

PengChengStarling 是一個專注於多語言自動語音識別（ASR）的開源工具包，基於 icefall 項目開發。它支持完整的 ASR 流程，包括數據處理、模型訓練、推理、微調和部署。該工具包通過優化參數配置和集成語言 ID 到 RNN-Transducer 架構中，顯著提升了多語言 ASR 系統的性能。其主要優點包括高效的多語言支持、靈活的配置設計以及強大的推理性能。PengChengStarling 的模型在多種語言上表現出色，且模型規模較小，推理速度極快，適合需要高效語音識別的場景。

RealtimeSTT是一個開源的語音識別模型，能夠即時將語音轉換為文本。它使用了先進的語音活動檢測技術，可以自動檢測語音的開始和結束，無需手動操作。此外，它還支持喚醒詞激活功能，用戶可以通過說出特定的喚醒詞來啟動語音識別。該模型具有低延遲、高效率的特點，適合需要即時語音轉錄的應用場景，如語音助手、會議記錄等。它基於Python開發，易於集成和使用，且在GitHub上開源，社區活躍，不斷有新的更新和改進。

MinMo是阿里巴巴集團通義實驗室開發的一款多模態大型語言模型，擁有約80億參數，專注於實現無縫語音交互。它通過多個階段的訓練，包括語音到文本對齊、文本到語音對齊、語音到語音對齊和全雙工交互對齊，在140萬小時的多樣化語音數據和廣泛的語音任務上進行訓練。MinMo在語音理解和生成的各種基準測試中達到了最先進的性能，同時保持了文本大型語言模型的能力，並支持全雙工對話，即用戶和系統之間的同時雙向通信。此外，MinMo還提出了一種新穎且簡單的語音解碼器，在語音生成方面超越了以往的模型。MinMo的指令遵循能力得到了增強，支持根據用戶指令控制語音生成，包括情感、方言和語速等細節，並模仿特定的聲音。MinMo的語音到文本延遲約為100毫秒，全雙工延遲理論上約為600毫秒，實際約為800毫秒。MinMo的開發旨在克服以往對齊多模態模型的主要限制，為用戶提供更自然、流暢和人性化的語音交互體驗。

BetterWhisperX是一個基於WhisperX改進的自動語音識別模型，它能夠提供快速的語音轉文字服務，並具備詞級時間戳和說話人識別功能。這個工具對於需要處理大量音頻數據的研究人員和開發者來說非常重要，因為它可以大幅提高語音數據處理的效率和準確性。產品背景基於OpenAI的Whisper模型，但做了進一步的優化和改進。目前，該項目是免費且開源的，定位於為開發者社區提供更高效、更準確的語音識別工具。

parakeet-tdt-0.6b-v2 是一個 600 百萬參數的自動語音識別（ASR）模型，旨在實現高質量的英語轉錄，具有準確的時間戳預測和自動標點符號、大小寫支持。該模型基於 FastConformer 架構，能夠高效地處理長達 24 分鐘的音頻片段，適合開發者、研究人員和各行業應用。

Kimi-Audio 是一個先進的開源音頻基礎模型，旨在處理多種音頻處理任務，如語音識別和音頻對話。該模型在超過 1300 萬小時的多樣化音頻數據和文本數據上進行了大規模預訓練，具有強大的音頻推理和語言理解能力。它的主要優點包括優秀的性能和靈活性，適合研究人員和開發者進行音頻相關的研究與開發。

Amazon Nova Sonic 是一款前沿的基礎模型，能夠整合語音理解和生成，提升人機對話的自然流暢度。該模型克服了傳統語音應用中的複雜性，通過統一的架構實現更深層次的交流理解，適用於多個行業的 AI 應用，具有重要的商業價值。隨著人工智能技術的不斷發展，Nova Sonic 將為客戶提供更好的語音交互體驗，提升服務效率。

DuRT 是一款專注於 macOS 系統的語音識別和翻譯工具。它通過本地 AI 模型和系統服務實現語音的即時識別與翻譯，支持多種語音識別方法，提高了識別的準確度和語言支持範圍。該產品以懸浮框形式展示結果，方便用戶在使用過程中快速獲取信息。其主要優點包括高準確度、隱私保護（不收集用戶信息）以及便捷的操作體驗。DuRT 定位為一款高效生產力工具，旨在幫助用戶在多語言環境下更高效地進行溝通和工作。目前產品可在 Mac App Store 下載，具體價格未在頁面中明確提及。

Scribe 是由 ElevenLabs 開發的高精度語音轉文字模型，旨在處理真實世界音頻的不可預測性。它支持99種語言，提供單詞級時間戳、說話人分離和音頻事件標記等功能。Scribe 在 FLEURS 和 Common Voice 基準測試中表現卓越，超越了 Gemini 2.0 Flash、Whisper Large V3 和 Deepgram Nova-3 等領先模型。它顯著降低了傳統服務不足語言（如塞爾維亞語、粵語和馬拉雅拉姆語）的錯誤率，這些語言在競爭模型中的錯誤率通常超過40%。Scribe 提供 API 接口供開發者集成，並將推出低延遲版本以支持即時應用。

Step-Audio是首個生產級開源智能語音交互框架，整合了語音理解與生成能力，支持多語言對話、情感語調、方言、語速和韻律風格控制。其核心技術包括130B參數多模態模型、生成式數據引擎、精細語音控制和增強智能。該框架通過開源模型和工具，推動智能語音交互技術的發展，適用於多種語音應用場景。

FireRedASR-AED-L 是一個開源的工業級自動語音識別模型，專為滿足高效率和高性能的語音識別需求而設計。該模型採用基於注意力的編碼器-解碼器架構，支持普通話、中文方言和英語等多種語言。它在公共普通話語音識別基準測試中達到了新的最高水平，並且在歌唱歌詞識別方面表現出色。該模型的主要優點包括高性能、低延遲和廣泛的適用性，適用於各種語音交互場景。其開源特性使得開發者可以自由地使用和修改代碼，進一步推動語音識別技術的發展。

FireRedASR 是一個開源的工業級普通話自動語音識別模型，採用 Encoder-Decoder 和 LLM 集成架構。它包含兩個變體：FireRedASR-LLM 和 FireRedASR-AED，分別針對高性能和高效能需求設計。該模型在普通話基準測試中表現出色，同時在方言和英文語音識別上也有良好表現。它適用於需要高效語音轉文字的工業級應用，如智能助手、視頻字幕生成等。模型開源，便於開發者集成和優化。

PengChengStarling 是一個專注於多語言自動語音識別（ASR）的開源工具包，基於 icefall 項目開發。它支持完整的 ASR 流程，包括數據處理、模型訓練、推理、微調和部署。該工具包通過優化參數配置和集成語言 ID 到 RNN-Transducer 架構中，顯著提升了多語言 ASR 系統的性能。其主要優點包括高效的多語言支持、靈活的配置設計以及強大的推理性能。PengChengStarling 的模型在多種語言上表現出色，且模型規模較小，推理速度極快，適合需要高效語音識別的場景。