AI语音

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。

Audio.Z.AI 是体验 GLM-TTS 能力的最简单入口。虽然功能尚处早期，但其免费、高音质、支持克隆的特点，已足够满足轻量级语音合成需求。

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。

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。

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。

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。

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。

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。

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。

将一本小说转化为一部由不同角色配音、带有自然停顿和情感表达的有声书，通常需要一个专业的配音团队。现在，借助 Alexandria，你可以在本地完成这一切。它是一个基于 Qwen3-TTS 引擎构建的开源工具，利用大语言模型（LLM）自动标注脚本，并为每个角色分配独特的声音，最终导出为可直接使用的 MP3 或供专业编辑的 Audacity 多轨项目。

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。