Music.AI允许公司和开发者构建和扩展音频驱动的AI产品和服务，提供定制化解决方案，支持多种用例。
Tortus是一款专为医疗行业设计的先进AI工具，通过其专有接口O.S.L.E.R，旨在减轻行政负担，提高患者护理效率。它与电子健康记录（EHR）系统无缝集成，帮助医疗专业人员自动化日常任务，简化文档处理。
AssemblyAI 提供先进的 AI 模型，实现精准的语音识别、转录和音频分析。其基于 API 的平台支持多种语言，提供人类级别的准确性，并适用于通话总结、内容审核和情感分析等应用，适合处理大量音频数据，具备高可靠性和正常运行时间。
Ello是一个旨在帮助幼儿园到三年级学生提高阅读技能的人工智能工具。它是一个互动的读书伴侣，利用其独特的Adaptive Learn™技术，实时适应每个孩子的学习节奏，使阅读变得有趣和富有互动性。Ello的首个产品是世界上最先进的阅读教练，结合了专有的语音识别和生成AI，旨在最大化所有儿童的学习潜力。
由transformers.js提供支持的浏览器里100％客户端运行的实时音频转录，支持多种语言，易于集成到网页应用中。
音频基础模型：支持多语言音频理解的端侧部署工具，具备极低推理延迟，适用于语音识别、语种识别、语音情感识别和声学事件分类/检测
SpeechT5是一个统一的多模态编码器-解码器预训练模型，专门用于口语处理任务，旨在通过有效的预训练提升语音识别和自然语言处理的性能。
通过语音与ChatGPT进行实时对话，让其用声音回应你，提供友好的交流体验。
fairseq是一个用于序列建模的开源工具包，支持多种自然语言处理和语音处理任务。
MiniCPM-o-2_6是Openbmb发布的一款新的混合模型，结合了多个先进模型，能够处理视觉、语音、视频流和OCR等多种任务，具有强大的功能和灵活的应用场景。
这是一个基于Streamlit的实时网页语音转文本应用，能够快速将语音转换为文本，支持多种音频输入方式，易于使用和部署。
整合了Mistral大型语言模型的实时语音转文本系统，基于WhisperLive和WhisperSpeech，提供高性能和低延迟处理。
MiniCPM-o 是一款轻量级多模态大语言模型，具有8B参数，能够在手机、iPad等终端设备上高效运行。它支持视觉、语音和多模态实时流媒体处理，性能达到GPT-4o水平。MiniCPM-o 具备领先的视觉能力、创新的语音交互功能，支持多语言和多模态实时流媒体处理，广泛应用于实时语音对话、OCR、视频理解、多语言支持等场景。
STT是一个经过实战验证的深度学习工具包，专注于语音转文本技术，适用于研究和生产环境。
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。
voicechat2是一款快速且完全本地化的AI语音聊天工具，使用WebSockets实现低延迟语音交互，支持本地运行语音识别、文本转语音以及大语言模型。它结合了SRT、LLM和TTS技术，能够在高性能硬件上实现极低的延迟，所有处理都在本地完成，确保数据隐私和安全性。支持多种模型如Whisper、Llama 3、VITS等，用户可以根据需求灵活选择。
Whisper Web 是一个开源项目，允许用户在浏览器中运行基于机器学习的语音识别，无需后端服务器。它利用 WebGPU 技术实现加速，用户可以轻松进行语音转文本，并支持将识别结果导出为 TXT 和 JSON 文件格式，完全开箱即用。
本地语音助手：无需联网即可在个人电脑上运行的语音助手，集成了语音识别和语音合成功能，打造类似电影《钢铁侠》中的 Jarvis 或 Friday 的离线语音助理体验
这是一个基于 ESP32 的 AI 聊天机器人项目，旨在提供智能对话和互动体验。该项目利用 ESP32 硬件平台，支持语音识别和合成，能够与用户进行自然语言对话，具备多种对话场景和功能，并且代码开源，易于修改和扩展。
该项目展示了如何使用Transformers.js在浏览器中进行AI推理，特别是图像背景去除和语音识别，支持WebGPU加速，保证数据隐私，适合需要实时处理的应用。
Distil-Whisper是一个令人印象深刻的AI模型，相较于Whisper，它提供了更快的推理速度和更小的模型体积，速度提高了6倍，体积减少了49%，在分布外评估集上表现也具有竞争力。
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
数字人Live2D项目：提供模块化扩展和Live2D人物模型控制，支持Docker快速部署和多平台访问，旨在创建具有互动性的数字人应用。
一个有趣的AI项目，可以通过短时间的音频源生成与原声音相似的音频，支持文本输入，基本可以做到以假乱真。
whisper-cpp-python是whisper.cpp的Python绑定，提供高效的语音识别功能，支持多种音频格式，具有简单易用的API和多线程处理能力。
这是一个视频翻译配音工具，可将一种语言的视频翻译为指定语言的视频，自动生成和添加该语言的字幕和配音，并支持API调用。
Speech To Code项目让你通过口述来编写代码，结合语音识别和自然语言处理技术，能够将复杂的自然语言指令转换为多种编程语言的代码，理解上下文生成准确的代码。
ollama-voice-mac是一个在Mac上完全离线运行的语音助手，利用Mistral 7b模型进行自然语言处理，同时采用Whisper模型进行语音识别，提供用户友好的体验和多种语音指令支持。
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。
Deepgram Voice AI是一款先进的语音AI平台，利用人工智能技术提供高质量的实时语音转文本和文本转语音服务，适用于医疗转录、对话AI及客户支持等多个应用场景。Deepgram提供易于集成的API，支持多种语言，旨在改变企业与开发者整合语音识别与合成的方式。
