Centaurus是一种由广义状态空间模型（SSM）块组成的新型神经网络，其设计灵感来源于卷积神经网络（CNN）。通过将SSM操作视为训练期间的张量收缩，并优化张量收缩顺序，Centaurus显著提高了训练效率。它在网络大小、性能、内存和计算效率之间取得了平衡，尤其在音频处理任务中表现优异，包括关键词识别、语音去噪和自动语音识别（ASR）。Centaurus是首个完全基于状态空间的ASR网络，无需依赖非线性递归（如LSTMs）、显式卷积（CNNs）或注意力机制，仍能实现竞争性能。
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。
NVIDIA NeMo是一个可扩展的云原生生成式AI框架，专为研究人员和PyTorch开发者设计，支持大语言模型（LLM）、多模态模型（MM）、自动语音识别（ASR）、文本转语音（TTS）和计算机视觉（CV）等领域。它旨在帮助用户高效地创建、定制和部署新一代AI模型，利用现有的代码和预训练模型检查点。NeMo基于Python配置，采用模块化抽象，支持在成千上万个GPU上进行大规模实验。
Moonshine是一款为边缘设备设计的自动语音识别模型，速度比Whisper快5倍，且保持相同的准确性，适用于实时和资源受限的应用场景，如现场转录和语音命令识别。它支持可变长度输入，具备低延迟和高效率，能够在本地设备上运行，无需联网，适合各种实时语音识别任务。
Voicetapp是一款先进的AI软件，旨在将音频或视频内容转化为准确的文本转录。用户可以轻松地将播客、电话会议、视频及其他音频或视频文件转换为文本，具有极高的精确度。
Nexa SDK是一款全面支持ONNX和GGML模型的工具包，具备文本生成、图像生成、视觉-语言模型（VLM）、自动语音识别（ASR）和文本到语音（TTS）功能，提供OpenAI兼容的API服务器，支持JSON模式调用函数和流媒体，配备用户友好的Streamlit UI，方便开发者使用和集成。
Spirit LM是一个端到端的语音模型，提供基础版和高表现力版，能够进行高效的语音识别和生成，支持直接使用语音标记等多种特性，适用于复杂任务的处理。
Transformers.js 是一个 JavaScript 库，允许用户在浏览器中直接运行预训练的 Transformer 模型，支持自然语言处理、计算机视觉、音频处理和多模态任务。它使用 ONNX Runtime 在浏览器中高效运行模型，并支持将 PyTorch、TensorFlow 或 JAX 模型转换为 ONNX 格式。
SpeechFlow是一个强大的语音转文本API，能够以高精度将声音转换为文本，支持14种语言。它提供自动语音识别（ASR）功能，能够将语音翻译成文本。该API在线可用，并提供易于集成到应用程序中的接口。
SubTitles.Love 是一款基于人工智能的字幕编辑工具，旨在帮助用户为社交媒体视频添加字幕，从而增强观众互动。它提供了简单的编辑界面，具备自动语音识别功能，并支持超过10种语言。用户只需上传视频，系统将以95%的准确率自动生成字幕，用户可以调整字幕样式，并下载适合社交媒体平台的成品视频。
WAAS是一个平台，提供OpenAI的Whisper自动语音识别（ASR）系统的图形用户界面和API，用户可以通过直接访问API或使用提供的GUI接口进行音频文件的转录和管理。
Wordcab Transcribe是一个基于faster-whisper的ASR FastAPI服务器，利用多尺度自适应谱聚类技术实现说话人区分，提供高效、准确的语音转录服务。该项目支持实时处理，易于集成和扩展，适用于多种音频格式。
Whisper for Large Audio 是一个简单的解决方案，旨在帮助用户处理大音频文件的转录问题。用户可以直接在浏览器中将任意大型音频文件分割，并利用 OpenAI 的 Whisper 对分割后的部分进行转录，只需一键即可获得完整的转录文本，消除了文件大小限制和手动操作的繁琐。
RapidTranscribe是一个基于人工智能的音频和视频转录服务，能够在几秒钟内将音频和视频文件转换为准确的文本。它支持100多种语言，提供说话者分离、YouTube集成、可编辑/可下载的报告，并兼容常见的音频和视频格式。
TranscribeAudio是一个创新的自动转录服务，旨在简化将音频文件转换为书面文本的过程。无论是采访、会议还是录音，该工具都提供简单高效的解决方案。
一个超快速的语音识别工具，基于OpenAI的Whisper Large v3模型，能把长达5小时的音频在不到2分钟内转写成文字。
Voqul是一个基于AI的音频处理平台，用户可以录制自己的声音或上传音频文件，并从150多种声音中选择，以实现音频的多样化转换。
旨在构建一个强大、高性能的异步 Whisper 服务 API，支持高扩展性和分布式处理需求，适用于大规模自动语音识别场景，并集成了多平台爬虫，如抖音和 TikTok。
