语音 AI AI

Phonic-1 是用于语音代理的托管语音到语音模型。它直接接收呼叫者的音频并以语音进行响应，使用节奏和犹豫等提示来支持自然对话。

模型可以在调用者仍在说话时发起工具调用。 Phonic 通过 API 和代理构建工具公开它，以便开发人员可以将实时对话连接到他们自己的工作流程、评估响应并选择部署设置。

Phon

MOSS-Live 是 OpenMOSS 的实时对话系统。它接受实时语音和视觉上下文，并且可以在说话时继续倾听，从而在正在进行的对话中打断和改变话题。

系统使用全双工交互层来区分真正的中断与简短的确认和背景语音。更复杂的推理和工具任务可以在对话继续时异步运行，并在准备好时返回结果。

该系统对于需要讨论摄像头视

Dessa 是 Block 的全双工对话模型，直接基于人类语音训练，可进行富有表现力的实时对话。它无需以文本为先的转录流水线或预训练语言主干即可从音频中学习，保留仅靠文本无法承载的时序和声音信息。

它提供带有自然打断、情感和节奏的语音交互研究预览，早期访问通过候补名单管理。核心能力包括全双工语音对话、仅语音训练、实时聆听与说话以及

IndexTTS 2.5 是一种用于表达性多语言语音合成的零样本神经文本转语音基础模型。它建立在基于变压器的文本到语义模块和非自回归语义到梅尔模块的基础上，以重现语音特征和情感。

更新将语义编解码器从 50 Hz 压缩到 25 Hz，减少了序列长度和推理成本，并用更高效的 Zipformer 架构取代了早期的 S2M 主干。新的跨

CrisperWhisper 2.0 是 Nyra Labs 的逐字语音识别模型，用于转录人们实际说话的方式。它支持用于制作语音工作流程的可控输出样式、多语言转录、字级计时和长格式音频处理。

该系统区分保留填充、重复、截止和声音的逐字记录和生成更清晰可读文本的预期记录。它还通过监督 Whisper 式的交叉注意行为来提高对齐，以产

Gemini Live Translate 是 Google 基于 Gemini 提供的近实时语音翻译体验，面向自然口语对话。公告称它可通过 Google AI Studio、Google Translate 和 Google Meet 使用，重点在于流畅的语音翻译，而不只是文本字幕。

该功能为低延迟听说场景而构建，希望译后的语音

GPT Realtime 2 是 OpenAI 的实时语音模型，用于构建实时对话代理，这些代理可以在对话仍在进行时进行聆听、推理、说话和使用工具。它专为需要语音界面来完成实际工作的产品团队而设计，例如客户支持、日程安排、行程变更、车载辅助、教育和免提生产力。与简单的语音到文本加聊天机器人管道不同，GPT Realtime 2 是围绕单一实时代理体验中的

Scenema Audio 是一种富有表现力的音频生成模型，适用于零样本语音克隆、情感语音、歌唱和表演驱动的语音合成。它的设计目的不仅是生成文字，还可以通过节奏、呼吸、笑声、叹息、情感和声音效果来进行声乐表演。该产品将语音识别与情感传递分开，因此简短干净的参考剪辑可以定义音色，同时提示控制性能。

该模型提取自 LTX 2.3，并使

Wondercraft 是一家 AI 视频工作室，旨在帮助创作者和业务团队将想法、文档和脚本转化为精美的、适合业务的视频内容。该平台汇集了视频、头像、图像、语音、音乐、声音和文本的现代人工智能模型，因此用户可以从粗略的概念转变为最终的输出，而无需将一堆单独的工具拼接在一起。它的构建是为了减少制作有用内容的麻烦，同时保持工作流程对于非技术用户来说也易于理

AnySpeech 是一款先进的文本转语音生成器，旨在从书面文本中生成高度自然逼真的口语音频。它通过提供超过 100 种不同的声音选择，涵盖 50 多种不同语言，在市场上脱颖而出，使其成为全球内容创作和无障碍需求的极其多功能的工具。该平台设计易于使用，允许用户快速有效地将文本转换为高保真音频，支持从营销材料到教育模块的广泛应用。

ElevenCreative 被定位为终极的、统一的创意平台，旨在简化从初始概念到最终本地化交付的整个内容制作生命周期。这个全面的工作空间将音频、语音、音乐、音效、图像和视频的先进生成模型集成到一个单一环境中，从根本上改变了内容团队的运作方式。它被设计用来取代分散的工具，提供端到端的工作流程，使用户能够快速生成高质量的素材，在工作室中精确地完善它们，然

Universal-3 Pro 代表了语音语言模型的重大飞跃，它引入了直接通过提示控制转录输出格式和内容的能力。这项创新允许用户将有关术语、名称、主题和所需输出结构的特定上下文直接注入到处理管道中。对于临床评估等专业领域，这意味着只需指示模型精确捕获药物名称和剂量，同时记录每一个填充词或不流畅的表达以供深入分析，通常这需要大量的后期处理或自定义模型训练

VibeVoice-ASR 是一个统一的语音转文本模型，旨在一次性处理长达 60 分钟的音频，生成包含“谁 (Who)”、“何时 (When)”和“何事 (What)”的结构化转录。它支持自定义热词和 50 多种语言，使其成为各种应用的强大工具。该模型联合执行 ASR、说话人分离和时间戳标记，生成一个指示谁在何时说了什么的结构化输出。

Qwen3-ASR-1.7B 是一款利用 Safetensors 的自动语音识别模型。该模型获得了 271 个赞，并由拥有 67.3k 粉丝的 Qwen 维护。模型的详细信息，包括其配置和性能指标，都有详尽的文档记录。

Qwen3-ASR-1.7B 模型在 apache-2.0 许可下授权，确保了其在各种应用中的可访问性和可用性。模

Pocket TTS 是一款轻量级的文本转语音应用程序，专为在 CPU 上高效运行而设计。它能以低延迟从文本生成音频，并能处理无限长的文本输入。该应用程序支持 Python 3.10 及更高版本，需要 PyTorch 2.5+，但不需要 PyTorch 的 GPU 版本。

该应用程序的模型大小很小，只有 1 亿参数，仅使用 2 个

VibeVoice-Realtime 是一款轻量级的实时文本转语音模型，支持流式文本输入和强大的长篇语音生成。它可用于构建实时 TTS 服务、叙述实时数据流，并允许不同的模型从其第一个 token 开始发声。该模型在大约 300 毫秒内产生初始可听语音，使其适用于实时应用。

该模型采用交错的、带窗口的设计，在持续进行基于扩散的声学潜

OpenAudio S1 是 Fish Audio 推出的先进文本转语音 (TTS) 模型，旨在提供高度自然和富有表现力的语音合成。该模型基于对超过 200 万小时音频数据的大规模训练，实现了与专业人类配音演员几乎无法区分的语音输出。该技术针对视频旁白、播客和游戏角色配音等应用，提供流畅、逼真的语音，捕捉细微的情感差异，使其非常适合专业和创意音频制作。

Uni-MoE-2.0-Omni 是一个基于强大的 Qwen2.5-7B 核心构建的先进全模态大型模型。它代表了对先前版本的重大重建和改进，融入了旨在增强多模态理解和生成能力的新架构和训练范式。该模型无缝集成了多种模态，如音频、语音、图像、文本和视频，能够对各种类型的输入数据进行全面的处理。

该模型引入了多项关键进步，包括统一的语音

VibeVoice 是一款先进的开源文本到语音模型，擅长生成具有上下文感知的、富有表现力的语音。它旨在捕捉自发情感和歌唱的细微差别，从而实现高度自然和动态的语音输出。这种能力使得 VibeVoice 能够生成听起来更像人声、情感更丰富的语音，适用于需要表达性语音合成的应用，如播客、有声读物和互动媒体。

该模型支持跨语言能力，包括无缝

IndexTTS2 是一款工业级的可控、高效的零样本文本到语音系统。它旨在为富有情感表达和时长控制的自回归零样本文本到语音带来突破。该系统支持两种生成模式：一种明确指定生成的 token 数量以精确控制语音时长，另一种则在不指定 token 数量的情况下自由地以自回归方式生成语音，忠实地再现输入提示的韵律特征。

IndexTTS2