标签：语音转文字

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...

Spark-ASR-2.0 是科大讯飞最新一代语音识别大模型，基于星火语音基座 Spark-Audio 打造，采用非自回归与 LLM 增强自回归协同架构，支持中英文混合免切换、全...

Chatterfly 是腾讯推出的 AI 原生语音助手，支持语音输入与全场景 AI 打字，把口述内容自动润色成邮件、工作回复、会议纪要和营销文案，并支持 VibeCoding 提...

MAI-Transcribe-2 是微软推出的最强 AI 语音转文字模型，支持 60 种语言、FLEURS 平均词错误率仅 5.2%，推理速度领先 Whisper V3-Large 等竞品，按小时计费成...

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...

Hojo-ASR-V1 是初创团队 Hojo 开源的自动语音识别模型，采用Whisper 特征提取 + Qwen3-Omni 音频编码 + Conformer 适配 + Qwen3-4B 语言模型解码的架构。

MAI-Transcribe-1.5 是 微软 AI 团队自研的语音转文本模型，支持 43 种语言，具备上下文感知的关键词偏置能力，模型在 FLEURS 基准测试中取得行业最低的词错...

Mega-ASR 是南洋理工大学（NTU）、新加坡国立大学（NUS）与上海人工智能实验室联合开源的全场景鲁棒语音识别基座模型，模型以 Qwen3-ASR 1.7B 为底层架构，针...

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...

OmniVoice是小米 AI 实验室新一代 Kaldi 团队开源的超大规模多语言TTS模型，支持600+语种零样本语音克隆。模型采用极简非自回归扩散架构，结合全码本随机Mask...

MAI-Transcribe-1是微软Azure AI Foundry推出的企业级语音转文字模型，支持中英日法等25种语言，模型在FLEURS基准测试中全面领先Whisper-large-v3。

Voxtral Transcribe 2 是 Mistral AI 推出的新一代系列语音转文本模型，包含两个版本：Voxtral Mini Transcribe V2 专注批量转录，支持13种语言、说话人分离...

Qwen3-ASR 是阿里云通义千问团队开源的系列语音识别模型，包含 1.7B 高精度版、0.6B 高效版两个 ASR 模型，以及专用的 Qwen3-ForcedAligner-0.6B 强制对齐模型。

Nemotron Speech ASR 是英伟达开源的专注于低延迟、实时流式语音识别的模型。通过缓存感知架构，将已处理的语音特征缓存，仅对新音频帧进行计算，实现单句转...

SAM Audio是Meta开源的音频分割模型，能通过文本、视觉和时间片段等多模态提示，从复杂的音频混合中分离出特定的声音。核心技术是Perception Encoder Audiovi...

MemEcho是为AI提供永久记忆赋能的平台，核心优势在于突破了传统AI的上下文窗口限制，让AI能真正为人类提供长期、持续的服务。在性能方面，MemEcho表现优异，...