苹果与特拉维夫大学合作推出“原则性粗粒度”技术，通过改变AI语音合成中的验证方式，在保持音质无损的同时，将生成速度提升约40%，突破了传统自回归模型逐个预测声音片段的效率瓶颈。
微信输入法iOS版升级至3.0.0，核心转向语音优先交互。新版重构语音输入，底层大模型全面升级，提升识别速度与准确度，并加强实用性、语言覆盖和隐私保护。最大亮点是新增对15种中国方言的深度支持，如粤语等。
AI语音自动化公司Vida完成400万美元A轮融资，由Trammell Venture Partners领投。其AI语音助手已处理超1亿次客户互动，成为全球企业智能语音代理核心平台。融资将用于加速产品创新、拓展行业应用，巩固全球领先地位。
MiniMax发布新一代语音合成模型Speech 2.6，实现端到端延迟低于250毫秒的实时响应，接近人类对话速度。其革命性Fluent LoRA音色复刻技术显著提升语音自然度和个性化水平，推动语音交互向高自然、低延迟、强定制方向突破发展。
Sayline是一款语音录入工具，语音输入，文字即现，速度超手动打字4倍。
AI代码审查平台，通过自然语音交流实现5倍更快的代码审查速度。
Blobfish AI提供AI呼叫中心培训，包括语音AI辅助、呼叫模拟和反馈，以提高运营员绩效和加快入职速度。
Google
$0.49
Input tokens/M
$2.1
Output tokens/M
1k
Context Length
Xai
$1.4
$3.5
2k
$0.7
$2.8
Anthropic
$7
$35
200
$21
$105
Alibaba
$8
$240
52
-
$3.9
$15.2
64
$15.8
$12.7
Moonshot
$4
$16
256
Bytedance
$0.8
$2
128
Tencent
$1
32
Openai
$0.35
400
nineninesix
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，采用两阶段管道结合大型语言模型和高效音频编解码器，实现卓越的速度和音频质量。该模型支持西班牙语，具有4亿参数，采样率为22kHz。
KaniTTS是一款专为实时对话式人工智能应用优化的高速、高保真阿拉伯语文本转语音模型。它采用两阶段流水线架构，结合大语言模型与高效音频编解码器，实现卓越的速度和音频质量，能够满足对话式AI、无障碍辅助、研究等多领域的语音合成需求。
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型，通过独特的两阶段架构结合大语言模型与高效音频编解码器，实现低延迟与高质量语音合成，实时因子低至0.2，比实时速度快5倍。
KaniTTS是一款专为实时对话式AI应用优化的高速、高保真文本转语音模型。它采用两阶段流水线架构，结合大语言模型和高效音频编解码器，实现了卓越的速度和音频质量，支持多种语言并适用于边缘/服务器部署。
NexaAI
基于OpenAI Whisper架构微调的自动语音识别和语音翻译模型，通过减少解码层数量实现显著速度提升，同时保持接近原版的识别质量。
Kokoro是一款8200万参数的开源文本转语音模型，采用轻量级架构但能提供与大型模型相媲美的质量，具有速度快、成本低的优势，采用Apache许可证，适用于生产环境和个人项目
unsloth
Whisper是OpenAI开发的最先进的自动语音识别(ASR)和语音翻译模型，在超过500万小时的标记数据上训练，具有强大的零样本泛化能力。Turbo版本是原版的修剪微调版本，解码层从32层减少到4层，速度大幅提升但质量略有下降。
Gapeleon
专为日语优化的轻量级文本转语音模型，通过层数修剪提升推理速度，支持14种音色
Purfview
Distil-Whisper是Whisper模型的蒸馏版本，针对自动语音识别(ASR)任务进行了优化，提供更快的推理速度。
erax-ai
基于CTranslate2优化的Whisper Large-v3 Turbo越南语增强本地化版，支持多语言语音识别，速度快、准确度高
Daemontatox
Kokoro是一款拥有8200万参数的开源文本转语音模型，以轻量架构提供媲美大型模型的音质，同时显著提升速度和成本效益。
kiriyamaX
Kokoro是一款拥有8200万参数的开源文本转语音模型，以轻量架构实现媲美大型模型的音质，同时提升生成速度并降低计算成本。
freddierice
基于OpenAI Whisper的快速语音识别模型，使用CTranslate2优化推理速度
kotoba-tech
Kotoba-Whisper是由Asahi Ushio与Kotoba Technologies合作开发的日语自动语音识别蒸馏模型，基于Whisper large-v3蒸馏而来，推理速度提升6.3倍。
Crystalcareai
Distil-Whisper是Whisper large-v3的知识蒸馏版本，专注于英语语音识别，提供更快的推理速度同时保持接近原始模型的准确性。
primeline
基于distil-whisper技术的德语语音识别模型，参数量7.56亿，在保持高质量的同时实现更快的推理速度。
distil-whisper
Distil-Whisper是Whisper large-v3的知识蒸馏版本，专注于英语自动语音识别，提供更快的推理速度同时保持接近原始模型的准确性。
Systran
这是一个基于OpenAI Whisper的蒸馏版本英语语音识别模型，专为英语语音转录优化，通过CTranslate2格式提供更快的推理速度和更低的内存占用。
BELLE-2
基于distilwhisper-large-v2微调的中文语音识别模型，速度是whisper-large-v2的5.8倍，参数减少51%
rinna
Nue ASR是一种端到端的日语语音识别模型，集成了预训练的语音和语言模型，识别准确度高且速度快。
Windows TTS MCP Server是一个基于PowerShell的文本转语音服务，为Claude Desktop提供稳定高效的TTS功能，支持语音控制、速度调节和紧急静音等操作。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
