AI语音

MimikaStudio 是一款面向 macOS（Apple Silicon 芯片）的本地优先应用，核心优势在于全程本地运行，无需依赖云端，仅需 3 秒音频就能克隆任意声音，同时集成文本转语音、PDF 逐句朗读、有声书创作等实用功能，且针对苹果芯片做了深度优化，通过 MLX 实现原生 Metal 加速，兼顾性能与隐私。

gpt-realtime 的发布，不仅是技术迭代，更意味着 OpenAI 的语音能力已具备**企业级稳定性与功能性**。它不再只是一个演示功能，而是可以嵌入真实业务流程的工具。对于开发者而言，Realtime API 的全面开放，加上 SIP、MCP、图像输入等企业级功能的加入，意味着构建复杂语音应用的门槛正在降低。

NovaSR 是一个仅 50KB 的音频上采样模型，能够将模糊的 16kHz 音频升级为清晰明快的 48kHz 音频，处理速度超过实时速度的 3500 倍。

Otter.ai（原名 AISense）是一家美国人工智能公司，专注于语音转文本转录和会议自动化工具。它通过 AI 技术帮助用户记录会议、生成摘要，并提取关键洞见，从而节省时间。根据用户报告，使用该工具可每周节省超过 4 小时。 公司使命是让会议更智能高效，适用于销售、招聘、教育和媒体等领域。

Ai好记是为知识管理设计的多模态知识管理工具。它可以将全网音视频内容统一解析，生成结构化笔记、思维导图和 AI 总结，让碎片化的学习资料像Windows系统中的文件一样，有序可查、逻辑清晰、易于调用。

从“被声音问题困扰的创业者”到“帮助百万人改善沟通的领航者”，Vocal Image的故事证明：真正解决用户痛点的产品，总能找到自己的市场。而AI技术的加持，让“个性化沟通指导”从“少数人的特权”变成“普惠服务”，这或许正是它能在竞争中脱颖而出的核心原因。

Handy CLI 是一款面向开发者和高效能用户的本地化语音控制工具，它将语音识别、AI 辅助与键盘自动化结合，让你通过自然语言直接操控电脑操作。

Supertonic 是一款闪电般快速的设备端文本转语音系统，专为极致性能和最小计算开销而设计。基于 ONNX Runtime 驱动，完全在您的设备上运行——无需云端支持、无需 API 调用、无需担心隐私问题。

Cartesia 不仅带来了 SSM 架构驱动的低延迟 TTS、真实场景优化的 STT 模型，更通过 Line 平台解决了语音代理开发的“最后一公里”问题。其核心价值在于：让“实时、自然、可靠”的语音交互不再是技术难题，让开发者无需关注底层模型与基础设施，专注于业务逻辑与用户体验。

Rebel Audio 将自己定位为一个面向初次及早期创作者的一站式播客平台。其理念很简单：播客创作者无需在多种工具、订阅和工作流程之间切换，而是可以在一个平台上完成节目的创建、录制、剪辑、上传封面图、生成文字稿、为社交媒体制作片段以及发布。

总部位于加州的初创公司 Subtle Computing 正在尝试从根本上解决这个问题：他们不训练更大的语言模型，而是确保输入语音本身足够“干净”。通过一种轻量级的端到端语音隔离模型，他们的技术能在本地设备上实时分离用户语音与环境噪音，显著提升后续语音识别的准确性。

Linacodec是一款极低比特率（171 bps）的音频分词器，仅用 12.5 个 token/秒 即可完整表示语音信号，并支持 48kHz 高清音频重建。

Particle 推出了一项名为 “播客片段”（Podcast Clips） 的重磅功能。它不再仅仅聚合网络上的文字新闻，而是将触角延伸至音频领域，利用 AI 技术从海量播客中自动提取最精彩、最相关的时刻，并将其无缝嵌入到你的新闻信息流中。

Voice Clone Studio是一个基于 Gradio 的语音克隆与语音设计 Web 界面，由 Qwen3-TTS 和 VibeVoice 驱动。支持使用 Whisper 或 VibeVoice-asr 进行自动转录。

Google AI Edge Eloquent 是一款先进的听写应用，弥合自然语音与专业、即用文本之间的差距。与逐字转录结巴和填充词的标准听写软件不同，Eloquent 利用 AI 来捕捉你的意图含义。它会自动编辑掉“呃”、“嗯”以及句中自我修正，输出干净、准确的文稿。该应用由 Google Gemma 架构驱动，利用高效、开放权重、设备端模型，提供响应迅速的语音转文字功能，无需服务器连接。

Sesame 正式推出了其 iOS 应用预览版，旨在通过极具拟人化的对话体验和个性化的数字助手，重新定义人与 AI 的交互方式目前，该应用已在 39 个国家 的 App Store 上线，预览期间完全免费。

FlowSpeech 是一款先进的 AI 语音生成器（Text To Speech / TTS），可将文字转换为仿真人声。它理解脚本的上下文、情绪与节奏，让配音更像真人，适合需要专业配音的创作者。

BokeBox（播匣） 是一款开源、本地优先的 AI 音频转化引擎。它不仅仅是一个“文本转语音”工具，而是一个完整的个人播客工作室。它能将视频、网页链接、会议记录、长文文稿等多源信息，经过 AI 的深度理解与重构，转化为具有特定人设、音色和风格的口播节目。

Speech Swift 是一个面向 Apple Silicon（M 系列及 A 系列芯片）的 AI 语音模型集合，基于 MLX Swift 和 CoreML 构建。它支持在 Mac 和 iOS 设备上完全本地运行语音识别、合成与理解任务，无需连接云端、无需 API 密钥，且数据保留在设备端。

OpenSpeech 是一个开源 TTS 模型的开放目录，让每一款模型都在相同的条件下接受测试，以便你进行公平、直观的比较。

阿里巴巴正式推出了 CosyVoice 输入法，这是一款基于阿里自研 CosyVoice 语音引擎的智能输入工具。与传统输入法不同，CosyVoice 的核心定位是“纯语音高效输入”，旨在让用户仅通过口述即可产出规范、得体的书面内容，覆盖消息沟通、会议记录、邮件撰写等全场景。

阿里巴巴正式发布国内首个一站式AI语音生产力平台CosyVoice Studio，基于自研Qwen-Audio语音模型构建。平台整合三大核心模块：CosyFlow（语义增强型语音记录）、CosyAgent（自然语言创建的实时对话智能体）、CosyCreative（文档转播客/有声书创作工具）。

“宇宙无敌表达训练系统”是一款面向口语精准度训练的本地桌面应用，核心流程为实时语音识别、词库匹配与AI反馈生成。语音识别环节基于Sherpa-ONNX实现完全离线处理，AI反馈模块则支持Groq、OpenAI、DeepSeek及Ollama等多后端接入。

Qwen Scribe是一款专为 Apple Silicon Mac 设计的本地转录与系统级听写工具。它利用 macOS 的 Metal GPU 加速运行 mlx-qwen3-asr，基于阿里通义千问团队开源的 Qwen3-ASR 模型，实现了完全离线的音频和视频转录。

Gemma Translator 是一个开源项目，实现在 Raspberry Pi 5 (8GB) 上完全离线的双向语音翻译。系统由 Google Gemma 4 (gemma4-e2b) 通过 LiteRT-LM 驱动文本翻译，Moonshine 负责语音识别（STT）与合成（TTS），所有推理均在设备端完成，无需联网。

大饼AI变声是一款顶级的实时AI变声软件。它通过先进的深度学习模型，能够实时将您的声音转换为任何一种您想要的音色。

网易有道近期推出了一款名为 “网易叭哥说” 的桌面端 AI 语音输入工具。这款应用旨在通过先进的语音识别与大语言模型技术，解决传统语音输入中存在的口头语多、标点缺失、专业术语识别不准等痛点，为用户提供比打字快 5 倍的流畅输入体验。

腾讯低调上线全新 AI 输入工具 Chatterfly 并开启内测，主打 slogan「不必想好，开口就好」。和普通输入法单纯语音转文字不同，Chatterfly 靠混元大模型理解语境和意图，**把零散口语自动梳理成规整书面文稿**。不用组织话术，随口说出的想法，AI 直接整理通顺、润色得体。

edgeTTS 是开源独立项目，封装微软Edge在线语音服务，提供可自托管API与Web可视化工作台，实现MP3流式语音合成、音色检索，单请求最高支持20000 Unicode码点长文本。

听记是一款以“本地优先”为核心设计理念的 AI 录音与会议纪要工具，将实时转写、AI 纪要生成、思维导图构建、待办提取及飞书同步整合于统一工作流。