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。

CSM 1B 是一個基於 Llama 架構的語音生成模型，能夠從文本和音頻輸入中生成 RVQ 音頻代碼。該模型主要應用於語音合成領域，具有高質量的語音生成能力。其優勢在於能夠處理多說話人的對話場景，並通過上下文信息生成自然流暢的語音。該模型開源，旨在為研究和教育目的提供支持，但明確禁止用於冒充、欺詐或非法活動。

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。

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。

CSM 1B 是一個基於 Llama 架構的語音生成模型，能夠從文本和音頻輸入中生成 RVQ 音頻代碼。該模型主要應用於語音合成領域，具有高質量的語音生成能力。其優勢在於能夠處理多說話人的對話場景，並通過上下文信息生成自然流暢的語音。該模型開源，旨在為研究和教育目的提供支持，但明確禁止用於冒充、欺詐或非法活動。

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。