标签：语音识别

WPS 大家经常用来日常写作，虽然本身提供了AI功能，但可惜需要会员，本文教你三分钟接入最火的DeepSeek，让WPS秒变办公神器。 DeepSeek API申请地址：http:/...

这两年大家都在感叹生活不易，然而我想说的是，机会还是有的，但问题不在于有没有，而在于你是否能够认准机会，然后抓住它。 接触过很多咨询项目的人，发现...

R2T2 是网易有道开源的低延迟真流式语音识别模型，基于 Qwen3-ASR，通过稳定前缀与 Commit/Wait 解码实现已提交文字不回改，平均延迟约 200 至 600 毫秒，支...

Spark-Audio-1.0-Preview 是科大讯飞发布的语音基座大模型，采用 0.65B 音频编码器与 30B-A3B MoE 语言模型，基于 1300 万小时音频在国产算力上训练，支持 99...

Step Audio 3 是阶跃星辰推出的语音大模型系列，涵盖 Realtime 实时对话、ASR 语音识别、TTS 语音合成、Gen 音频生成与 Music 音乐创作，Realtime 语音推理准...

Xiaomi-CocktailASR-1 是小米开源的目标说话人语音识别大模型，以参考语音为声纹提示，无需语音分离即可从多人混合语音中转录指定说话人，支持空文本拒识与 C...

FireRedAudio是小红书FireRed团队开源的通用音频语言模型，基于9B参数Qwen3.5自回归LLM，双通道解耦架构统一支持102语种语音识别、音频问答、Zero-shot TTS、...

Gemini 3.5 Transcribe 是 Google 最新语音转文本模型，支持 Live API 亚秒级实时流式与离线高精度转录，词错误率流式 4.0%、非流式 2.6%，覆盖 85+ 语言与最...

StepAudio 2.5 ASR 是阶跃星辰推出的新一代自动语音识别模型，专为语音转写、会议纪要与长音频处理设计。模型采用 Audio Encoder + Linear Adapter + 4B LLM ...

Fun-ASR1.5是阿里通义团队推出的端到端语音识别大模型的新一代版本，单模型支持30种语言高精度识别，覆盖中文七大方言体系及二十余种地方口音，专项优化古诗...

Mobvoi MCP Server 是出门问问推出的一站式集成各项 AI 能力的工具，Mobvoi MCP Server集成语音生成、声音克隆、图片驱动数字人、视频配音等多项多模态 AI 能...

Largo是基于AI技术加速影视内容开发的创新平台。平台分析海量影视数据（包括超过40万部电影和电视剧、95万名演员、5.9万个剧本等），为影视制作提供数据驱动...

CoGenAV - 通义联合深圳技术大学推出的多模态语音表征模型

幻舟AI是一站式AI短片创作平台，支持批量生成广告片、宣传片、动画片等。基于Midjourney、Runway等全球领先的AI模型，实现剧本创作、角色设计、分镜生成及视...

SOM AI 是 AI 辅助学术写作工具，帮助学生轻松完成毕业论文（Skripsi）和学术研究。工具基于自然语言交互，提供研究主题头脑风暴、段落释义、简化复杂内容等...

Unmute 是 Kyutai 推出的低延迟语音交互系统，专注于低延迟语音转文字（Speech-to-Text）和文字转语音（Text-to-Speech）。Unmute 基于先进的 AI 模型，为用...

LLaDA-V是中国人民大学高瓴人工智能学院、蚂蚁集团推出的多模态大语言模型（MLLM），基于纯扩散模型架构，专注于视觉指令微调。模型在LLaDA的基础上，引入视...