InternVL 是由 OpenGVLab 团队开发的开源多模态大模型，旨在提供接近 GPT-4V 和 Gemini Pro 等商业模型性能的替代方案。它支持多种模态任务，包括图像理解、文本生成、跨模态检索等，并且在多个基准测试中表现出色。InternVL 系列模型参数覆盖从 1B 到 78B，适用于各种规模和复杂度的任务。

Podcastfy 是一个开源 Python 工具，能够将多模态内容（如文本、图片、网页、PDF、YouTube 视频等）转换为引人入胜的多语言音频对话。它利用生成式 AI 技术，支持从多种来源生成定制化的播客内容，适用于内容创作、教育、研究等多个领域。

RapBank 是首个用于说唱生成的数据集，包含从 YouTube 收集的说唱歌曲，并提供了精心设计的数据处理流程。数据集包含 92,371 首歌曲，涵盖 84 种语言，总时长 5,586 小时。数据集结构包括视频 ID、标题、播放列表信息等，用户可通过提供的流程进行数据处理。

Robo Blogger 是一款专为写作设计的智能工具，能够将语音内容自动转化为结构化的专业博客文章。它通过语音捕捉、结构化规划和自动化写作三个步骤，帮助用户将碎片时间的灵感转化为高质量的博客内容。工具支持引用参考资料和定制文章结构，适用于技术博客、生活随笔、碎片时间写作和专业内容创作等多种场景。

MeloTTS 是由 MIT 和 MyShell.ai 开发的高质量多语言文本转语音（TTS）库，支持多种语言和口音，包括英语、西班牙语、法语、中文、日语和韩语。它通过优化的算法和模型，提供清晰自然的语音合成体验，支持中英混合发音、实时 CPU 推理，并且易于安装和使用。

Monoise P-G2 AI 耳机是由深圳品牌 Monoise 推出的一款集成先进AI技术的耳机，支持实时语言翻译、AI辅助内容创作和自适应音频增强。该耳机在 Kickstarter 上众筹，目标金额为 2,000 美元，目前已筹集近 20,000 美元，显示出强劲的市场需求。耳机适合专业人士、内容创作者和全球旅行者，提供跨语言交流和高效生产力支持。

Futurepedia 是一个专注于AI工具和资源的平台，旨在支持各行业专业人士利用AI技术进行创新和发展。平台提供超过2318个AI工具，分为10个类别，包括创作者和生产力工具等。此外，它还提供易于遵循的实施指南、每周新闻简报和丰富的YouTube频道内容，帮助用户了解和应用AI技术。社区规模超过20万专业人士，致力于让AI易于理解和实用。

AI工具集是一个专注于收集和整理AI工具的导航平台，提供详细的分类和定期更新。平台将AI工具按类型（如AI办公、AI图像）进行分类，并进一步按使用场景分级，便于用户快速检索和查找。工具和信息更新及时，确保用户获取最新资源。

ModelScopeGPT 是由 Alibaba DAMO 研究院开发的智能助手，支持诗歌、绘画、视频生成和语音播放等多模态功能。它集成了知识库搜索引擎，特别适用于 ModelScope 社区，帮助用户解答模型使用和相关知识的问题。该助手连接了超过 1000 个公共 AI 模型，支持多轮对话和 API 调用，展现出强大的扩展能力。

TTSOnline 是一个免费的文字转语音平台，支持多种语言，提供超过160种语音选择。用户可以在线将文本和电子书内容转换为语音输出，无需下载任何软件。该平台特别适合需要快速转换文本为语音的场景，尤其面向中国用户。

QQ Helper 是由 QQ Browser 开发的免费在线工具箱，集成了 140 多个小工具，涵盖图像处理、PDF 转换、生活娱乐、教育、文本工具、文档转换、开发工具和视频工具等多个领域。部分工具使用 AI 技术，如证件照生成、图片修复、文本转语音等，提供简单快捷的解决方案。所有工具集成在一个平台上，避免了在第三方站点间跳转的麻烦，并且完全免费使用。

360 AI 导航是由 360 公司推出的综合性 AI 资源导航网站，汇集了各类 AI 工具、教程和资源，涵盖 15 大类，如智能对话、写作助手和绘画平台。该平台旨在为用户提供便捷的 AI 资源访问，帮助用户快速找到适合的 AI 工具和内容，适合 AI 初学者、专业开发者以及对 AI 感兴趣的用户。

CAM++ 是 FunClip 集成的语音识别模型，专注于中文语音识别，适用于 16k 采样率的通用场景。它能够自动识别说话者 ID，并用于剪辑特定说话者的段落。该模型具有高效、准确、轻量化的特点，适合实时应用和资源受限的环境。

SeACo-Paraformer 是一个非自回归的自动语音识别（ASR）系统，专门为中文语音识别设计，集成了热词定制功能，能够显著提升特定实体词（如人名、地名）的识别效果。该系统结合了注意力编码器-解码器（AED）模型的准确性和非自回归（NAR）模型的高效性，适用于工业级大数据场景。通过 FunASR 工具包，用户可以轻松部署该模型，并利用其热词定制功能优化语音识别结果。

Paraformer-Large 是由阿里巴巴开发的开源工业级自动语音识别（ASR）模型，专注于中文语音识别任务。该模型在Modelscope上的下载量超过1.436亿次，显示出其在开发者和研究者中的广泛受欢迎。Paraformer-Large 采用非自回归端到端语音识别技术，支持并行推理，特别适合GPU使用，能够高效处理大规模语音数据。模型训练于6万小时的普通话数据集，确保其在中文语音识别任务中的鲁棒性和准确性。

MemoAI 是一款完全本地运行的 AI 音视频转录工具，支持将 YouTube、播客和本地音视频文件转为文本、字幕，并提供翻译和语音合成功能。它适用于 macOS 和 Windows 系统，特别适合学习或内容创作者。

通义听悟是阿里云推出的一款AI音视频转录工具，专注于工作和学习中的音视频内容处理。它基于通义千问语言模型和音视频AI模型能力，帮助用户记录、整理和分析音视频内容。该工具支持实时转录、内容总结、多语言翻译等功能，特别适用于会议记录、讲座转写、论文辅助阅读等场景。

Tiangong AI 是一个完全免费的国产 AI 大模型，集成了多种功能，支持 AI 搜索、写作、视频转绘、语音合成、图片生成、漫画创作、图片识别、音乐生成、代码写作和表格生成等。该项目特别适合帮助学生和家长了解高考志愿填报的相关信息，如学校录取分数线、专业设置和就业前景，并提供一站式解决方案。用户可以通过网页端、安卓端和 iOS 端使用，访问方式包括网页、手机应用或小程序。

豆包AI（Beanbag AI）是字节跳动开发的AI聊天助手，专为中国市场设计，拥有数百万月活跃用户。它提供多模态处理能力（文本、图像、音频），并即将推出文本到视频功能。用户可以通过网页版或浏览器扩展使用，支持内容生成、总结、翻译、英语学习等功能，具有高度可定制的用户体验。

魔音是一款AI驱动的文本转语音工具，支持多种语言和语音风格，集成了云剪辑、视频字幕同步和内容创作辅助功能，适用于视频配音、教育内容、广告语音等多个领域。

TextToSpeech 是一个完全免费的在线 AI 文本转语音工具，利用人工智能将文本转换为自然声音的语音。它支持多种语言和语音风格，适用于跨设备使用，且无版权限制。用户可以通过该工具生成高品质的 MP3 文件，并方便地下载使用。该服务特别适合需要音频内容的用户，如无障碍阅读、内容创作和教育等场景。

海螺AI是由MiniMax开发的AI平台，专注于通过AI技术生成视频和音乐。用户可以通过输入文本提示生成6秒高清视频，或基于歌词和风格生成音乐。平台界面友好，功能强大，适合内容创作者、教育者和企业使用。目前，这些功能限时免费，帮助用户快速创建高质量的多媒体内容。

豆包同声传译模型基于豆包大模型的语音理解能力，提供高质量、低延迟的端到端同声翻译服务。它支持跨语言同音色翻译，并能识别粤语、上海话等方言，适用于会议翻译、线上直播等实时场景。项目通过火山引擎控制台或API使用，功能包括实时语音翻译和语音克隆，帮助用户在跨语言交流中保持语音的自然性和一致性。

Doubao是由火山引擎（VolcEngine）开发的综合性AI模型家族，涵盖自然语言处理、视觉理解、语音合成、视频生成等多种AI任务。其模型在知识、代码、推理和中文等多个基准测试中表现优异，部分模型如Doubao-1.5-pro优于GPT4o和Claude 3.5 Sonnet，达到全球领先水平。Doubao模型广泛应用于ByteDance的产品，如剪映、即梦AI和醒图工具，覆盖智能座舱、在线教育、社会娱乐、智能客服等领域。

Open NotebookLM 是一个开源工具，灵感来源于 Google 的 NotebookLM，允许用户通过大型语言模型（LLM）和文本转语音（TTS）技术将 PDF 文档转换为引人入胜的播客对话。它提供了一个简单易用的平台，特别适合研究人员、开发者和内容创作者。用户可以通过 Gradio 界面上传 PDF 文件，系统会生成自然对话并转换为 MP3 音频文件。项目声称支持 13 种语言，但具体语言列表未明确。

OpenAI Realtime API 是一款专为开发者设计的实时语音交互API，支持低延迟、多模态体验，特别适用于语音到语音的实时对话。该API集成了大型语言模型如 GPT-4，支持文本和音频的输入输出，并通过WebSockets实现实时流媒体功能。它减少了传统方法中因使用多个模型而导致的延迟，保留了对话的自然情感和流畅性。

ChatGPT Pro是OpenAI提供的高级订阅服务，月费约为24美元，专为需要强大AI能力的用户设计。它提供无限制访问多种高级AI模型，包括o1、o1-mini、GPT-4o和Advanced Voice，并包含o1 pro模式，适用于需要深度计算资源的复杂问题。该服务在数学、科学和编码等领域表现优异，并支持多媒体生成和深度研究扩展。

doubao 是由 ByteDance 开发的一款 AI 聊天机器人，具备多模态处理能力，支持文本、图像和音频处理。特别擅长生成包含中文字符的图像，适合制作海报。目前免费供个人使用，但生成的图像不可用于商业用途。doubao 还提供情感支持、翻译服务和编程辅助等功能，满足用户多样化需求。

海螺 AI 是一款专注于文本转语音的 AI 工具，支持 17 种语言，包括中文、粤语、英语、日语、韩语、阿拉伯语和西班牙语等。该工具提供数百种预设音色，旨在将文本转化为自然、逼真的语音，适用于多语言环境下的各种需求。其特点包括音质稳定清晰、节奏自然、情感表达精准和高准确度，适合短句生成、语音聊天和在线社交等场景。目前限时免费使用，支持超长文本输入（最多 10,000 字符）和 API 调用。

FunASR 是一个旨在连接学术研究与工业应用的语音识别工具包。它支持工业级语音识别模型的训练与微调，帮助研究者和开发者更方便地进行语音识别模型的研究与生产，推动语音识别生态的发展。FunASR 提供了丰富的预训练模型和便捷的脚本与教程，支持推理和微调，涵盖语音识别、语音活动检测、标点恢复、语言模型、说话人验证、说话人分离等多种功能。