Moshi开源项目 – 实时对话的语音文本基础模型

Kokoro 82M 是一个高质量的 TTS 模型，能够生成极高音频质量的语音，同时模型大小不到 300M，便于部署和使用。该模型在 T4 上能够快速生成语音，并支持通过架构训练其他语言，且只需不到 100 小时的音频数据进行训练。

Speechllect是一个基于AI的解决方案，提供实时的语音转文本和文本转语音功能，利用SenseTheory数学理论分析用户发音的每个单词的意义，从而实现准确且具有上下文意义的转换。

Buzz是一个可以实时转文字的多语言语音转文字应用，支持处理语音和视频文件，适用于各种场景。

GLM-4-Voice 是由智谱 AI 开发的端到端中英语音对话模型，能够实时理解和生成中英文语音，并具备修改语音情感、语调、语速和方言等属性的功能。该模型支持情感共鸣、打断功能、多语言多方言，适用于灵活对话互动。

SafyrusAI是一个多功能聊天机器人，利用先进的AI模型提供革命性的聊天体验，支持多模态交互。

SpeakNotes是一款基于AI技术的移动应用，能够将语音笔记转录和总结为文本，帮助用户将语音录音转换为文本，并提供有组织和可操作的见解。

HeyLuna.ai 是一个多模态的人工智能虚拟助手，具备长期记忆功能，能够理解用户的需求，像朋友一样陪伴，并帮助用户完成日常任务。

SoundHound是一款创新的语音驱动AI和音乐识别技术，彻底改变了用户与设备的互动方式，提供快速识别周围音乐的功能，深入了解艺术家作品，甚至可以通过唱歌或哼唱来找到你脑海中萦绕的旋律。

Neon AI 是一个适用于企业和家庭的易用对话式人工智能平台，提供多种功能，如语音助手、语音隐私、聊天机器人等。它为 AI 语音交互提供了全面的平台，并由全方位的软件开发和支持公司提供支持。

Talk是一个基于whisper.cpp和llama.cpp的项目，旨在实现与计算机的直接语音对话。它整合了先进的语音识别和生成技术，支持自然语言处理，能够实时响应用户的语音指令，并提供用户友好的界面，方便易用。

Whisper API是一个强大的AI驱动的转录工具，利用OpenAI的Whisper模型，为音频文件提供准确可靠的转录服务。用户可以轻松地将Whisper的转录功能集成到他们的应用、服务或工作流程中。

与大型语言模型进行自然语音对话的开源工具，支持多种语音识别、语音合成和语言模型，提供易用且可扩展的API，目标成为闭源商业实现的开源替代方案

FakeYou是一个利用深度伪造技术创建高度真实自然的语音从书面文本的创新平台，允许用户生成模仿各种个人和名人声音的语音，适用于内容创作、娱乐和辅助工具等多个领域。

Llama3-S是一个扩展文本基础的大型语言模型，具备原生的‘听力’能力。通过早期融合模型训练，Llama3-S实现了声音识别与文本理解的有效结合，适用于多种语言处理任务。

Neoform AI致力于打破语言障碍，丰富数百万人的数字体验，提供针对非洲方言的AI模型，赋能非洲的声音。

StableTTS是一个轻量级的文本到语音（TTS）模型，专为汉语和英语的语音生成服务而设计。该模型仅有10M的参数，适合在资源有限的环境中使用。它基于流匹配和DiT技术，是下一代TTS模型，灵感来源于Stable Diffusion 3，能够高效地产生自然流畅的语音。

Lookahead decoding是一种创新的并行解码算法，加速大LLM的推理过程，提升模型生成文本的速度，适用于需要快速回应的应用。

VoiceGPT是专为Apple Watch用户设计的语音助手，允许用户通过语音与GPT4进行智能对话，并将回答朗读出来。只需在Apple Watch或iOS设备上激活应用，开始说话，VoiceGPT将把你的声音转化为文本并发送给GPT4处理，随后将回答朗读给你。