AI语音

AI Speaker 是一款基于微软 TTS 服务的在线文字转语音（TTS）工具，能够将文字即时转换为自然流畅的 语音，支持100多种语言和600多种AI语音。

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。

Speechify 早已以高质量文本转语音（TTS）闻名，帮助用户“听”文章、PDF 和网页。如今，它正从语音输出工具转型为以语音为第一交互方式的 AI 生产力平台。

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。

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。

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。

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。

Huxe可以在几秒钟内，将任何内容制作成播客。Huxe 是您的个人音频伴侣，旨在将您关注的内容制作成精美的互动音频。无论您是在准备出发、通勤途中、遛狗，还是只是想远离屏幕——Huxe 都能让您聆听世界。

Qwen3-ASR-Toolkit是一种高级、高性能的 Python 命令行工具包，用于使用 Qwen-ASR API（前身为 Qwen3-ASR-Flash）。此实现通过智能地将长音频/视频文件分割并并行处理，克服了 API 的 3 分钟音频长度限制，从而实现数小时内容的快速转录。

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。

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。

WhisperLiveKit 提供了一种轻量、可扩展的解决方案——它将实时语音转文本与说话者分割能力集成于本地运行环境中，无需依赖云端服务，兼顾性能与数据安全。

Palabra 是一款先进的AI翻译工具，专为实时语音翻译设计。它为视频通话、现场活动、流媒体提供无缝的人工智能翻译和口译服务，并可通过 API 进行集成。可以将其视为为动态沟通需求设计的即时翻译器。

Pocket FM 的实践揭示了一个正在成型的新范式：AI 不再只是内容生成工具，而是贯穿创作、优化、本地化与分发的全流程引擎。

Vogent 是一个功能强大的语音 AI 平台，结合无代码工具、先进模型和灵活的 API，为企业和开发者提供快速构建高性能语音代理的解决方案。其 Voicelab 进一步增强了实时语音推理能力，特别适合需要低延迟、类人语音交互的场景。

NotebookLlaMa 是一个谷歌NotebookLM的开源替代品，它使用 AI 技术将 PDF 文档转换为对话式、播客风格的音频摘要，特别适合开发者和研究人员探索文档处理和音频生成技术。

TEN Agent 是一个由 TEN 驱动的对话式 AI 代理，集成了 Gemini 2.0 Live、OpenAI Realtime、RTC 等技术。它提供实时的视觉、听觉和语音能力，同时完全兼容 Dify 和 Coze 等流行的工作流平台。

Wispr Flow 是一款帮助用户通过语音输入以 4 倍于传统打字速度进行写作的工具，适用于 Mac、Windows 和 iPhone。它的最新产品是 iOS 应用，2025 年 6 月正式推出，允许用户在移动设备上享受高效语音输入体验。功能包括 AI 自动编辑、个人词典、不同应用的语气调整和设备间同步，特别适合专业人士和内容创作者。

Fish Audio是一款生成式AI文本转语音和语音克隆平台，允许用户上传15秒语音片段进行克隆，支持多种场景如故事讲述、广告和有声书。它与AWS、Google Cloud和Nvidia合作，确保技术兼容性。

ListenHub 是一款轻量级、支持中文和英语的 NotebookLM 替代工具，基于前沿AI技术，快速生成你感兴趣的专属播客。无论你想听什么，ListenHub 都能用超真实AI人声为你呈现自然对话。相比 NotebookLM，ListenHub 生成内容更加快速，且支持移动端的流畅体验，让你随时随地探索热门话题、同步收藏、轻松制作和收听播客。

法国AI公司Gladia发布语音转文字模型Solaria，Solaria都能提供无可比拟的多语言支持基础，且质量与速度毫不妥协。凭借英语等常见语言94%的词准确率（WAR）行业标杆、独家支持的100+种语言（其中42种为Gladia独有）、以及270毫秒超低延迟，Solaria正在为AI语音交互树立全新标准。

Krisp的AI口音转换功能为跨语言沟通提供了一种新的解决方案。通过实时将说话者的口音转换为美国英语，该工具能够有效减少沟通障碍，提高沟通效率。尽管目前该技术主要针对印度英语口音，但其未来扩展计划显示了其巨大的应用潜力。

SubEasy 是视频创作者的得力助手，它通过强大的字幕生成、翻译和优化功能，帮助创作者节省时间，提升效率，从而更专注于内容创作本身。无论是精准的字幕生成、智能的润色与重排，还是多语言翻译和自定义设计，SubEasy 都为创作者提供了全方位的支持。

OpenAI正式推出了全新的音频模型，涵盖了文本转语音（Text-to-Speech, TTS）和语音转文本（Speech-to-Text, STT）两大核心功能，为语音交互领域带来了重大突破。

录咖以其强大的 AI 技术和丰富的功能，为音视频创作和处理带来了前所未有的便捷体验。无论你是创作者、教育工作者还是普通用户，录咖都能成为你得力的助手。

ElevenLabs 成立于 2022 年，总部位于英国和波兰，致力于利用 AI 技术生成自然、富有表现力的语音。它的平台支持从文本到语音的转换、语音克隆和多语言配音，服务于各种需求。

播客录制和编辑平台 Podcastle 正式发布了其名为 Asyncflow v1.0 的 AI 模型，正式加入 AI 驱动的文本转语音（TTS）领域。该平台不仅为用户提供了超过 450 个 AI 声音，还计划推出面向开发者的 API，允许开发者将文本转语音模型直接集成到他们的应用程序中。

TTSMaker是一款在线文本转语音工具，也称为AI语音生成器，它可以将文本转换为音频，并且可以播放或下载音频文件。

NaturalReader 是一款功能强大、易于使用的文本转语音工具，适合各种场景下的阅读需求。无论您是希望节省时间的学生、需要无障碍支持的读者，还是寻求高质量语音内容的创作者，NaturalReader 都能为您提供卓越的体验。