东软集团与Cerence AI达成战略合作，共同开发新一代智能座舱平台，聚焦智能语音与大语言模型技术，为全球车企提供高效、预集成的智能交互解决方案。东软将依托其NAGIC智能座舱平台，结合Cerence AI的前沿技术，满足市场对智能座舱日益增长的需求。
英伟达发布PersonaPlex-7B-v1语音对话模型，突破传统AI语音助手“一问一答”模式，实现更自然的真人对话体验。该模型采用单一Transformer架构，直接完成语音理解与生成，无需传统ASR、LLM、TTS串联处理。
OpenAI推出免费网页版ChatGPT Translate，对标谷歌翻译。支持文本、语音、文件多模态输入，交互性更强，无需付费即可使用。
亚马逊推出AI可穿戴设备Bee，操作简便，一键录音。用户可通过应用自定义按钮功能，如双击标记对话片段、处理对话或同时操作，长按可留语音备忘录或与AI助手对话。Bee具备监听、录音和转写功能，独特之处在于其便捷的交互设计。
提供语音、视频和聊天API，用于实时交互，加速应用增长。
Roark是一个声音AI的QA可观察性层，监控语音交互并进行测试和评估。
使用语音交互将想法转化为生产就绪的应用程序。
提高产品采纳率，部署我们的AI语音代理，作为专业的采纳专家，引领用户从入门到领悟。
Anthropic
$105
Input tokens/M
$525
Output tokens/M
200
Context Length
Google
$2.1
$17.5
1k
$0.7
$2.8
Alibaba
$2
$20
-
$8
$240
52
$3.9
$15.2
64
$15.8
$12.7
Bytedance
$0.8
128
$0.15
$1.5
256
Baidu
$1.6
$4
$0.75
Openai
$0.35
400
Tencent
24
$16
$3.5
$12
$2.4
8
nvidia
OmniVinci是NVIDIA开发的全模态理解大语言模型，具备视觉、文本、音频处理和语音交互能力，支持多模态推理和理解。
fixie-ai
Ultravox是一个多模态语音大语言模型，能够同时处理语音和文本输入，为语音交互场景提供强大支持。
AquaLabs
EchoLLaMA是一个多模态AI系统，能够将3D视觉数据转化为自然语音描述，同时支持通过语音输入进行交互对话。
maitrix-org
Voila是一个大型语音-语言基础模型家族，旨在提升人机交互体验，支持实时、低延迟的语音交互和多语言处理。
SeaLLMs
SeaLLMs-Audio是面向东南亚的大规模音频语言模型，支持印尼语、泰语、越南语、英语和中文五大语种，具备音频分析、语音交互等能力。
VITA-MLLM
VITA-1.5是一个多模态交互模型，旨在实现GPT-4o级别的实时视觉与语音交互能力。
NexaAIDev
Qwen2-Audio是先进的小规模多模态模型，支持音频与文本输入，无需依赖语音识别模块即可实现语音交互。
NexaAI
Qwen2-Audio 是一款先进的小规模多模态模型，支持音频和文本输入，无需ASR模块即可进行语音交互。
gpt-omni
Mini-Omni2是一款全交互式多模态模型，能理解图像、音频和文本输入，并与用户进行端到端的语音对话。
Qwen
Qwen2-Audio是通义千问大音频语言模型系列，支持语音聊天和音频分析两种交互模式。
somosnlp
支持西班牙语的多模态数据库交互工具，通过语音/文本指令生成SQL查询，并以最适合的模态（语音/文本/图像）返回结果
fnlp
SpeechGPT是一个具备内在跨模态对话能力的大型语言模型，能够感知和生成多模态内容，支持语音与文本的交互。
ElevenLabs官方MCP服务器，提供文本转语音和音频处理API交互能力
MiniMax Model Context Protocol (MCP) 是一个官方服务器，支持与强大的文本转语音、视频/图像生成API交互，适用于多种客户端工具如Claude Desktop、Cursor等。
MiniMax官方模型上下文协议（MCP）服务器，支持文本转语音、视频/图像生成等API交互。
一个支持与Claude等LLM进行语音交互的MCP服务器，只需OpenAI API密钥和麦克风/扬声器即可实现实时语音对话。
该项目实现了Typecast API的MCP服务器，为MCP客户端提供标准化的语音合成服务交互方式。
Speech MCP是为Goose设计的语音交互扩展，提供实时语音识别、高质量文本转语音、多语言支持和现代化音频可视化界面，支持多角色对话生成和音频转录功能。
Voice Mode是一个为AI助手提供自然语音对话功能的工具，支持与Claude、ChatGPT等LLM通过MCP协议进行人机语音交互。
MiniMax MCP JS是一个基于JavaScript/TypeScript实现的MiniMax MCP协议工具集，提供图像生成、视频生成、文本转语音等功能，支持与MCP兼容客户端交互。
Chatty MCP是一款为编辑器设计的语音交互插件，能在完成AI请求后通过语音总结操作内容，提升多任务处理效率，支持自定义语音引擎。
Speech MCP 是一个为Goose设计的语音交互扩展，提供实时语音识别、文本转语音和音频可视化功能。
一个基于Model Context Protocol的AI代理服务器，提供系统提示和工具管理功能
一个基于Model Context Protocol (MCP)的Gmail邮件管理服务器，支持通过AI代理搜索、阅读、删除和发送邮件，需配合语音交互客户端使用。
一个Node.js客户端，用于集成远程MCP服务器，为Voiceflow代理提供工具支持，支持多种工具发现和Claude AI集成。
AllVoiceLab官方MCP服务器，支持文本转语音、视频翻译等强大API交互，为多款客户端提供语音生成、视频翻译及智能变声服务。
基于MCP协议的智能宠物伴侣应用，通过语音识别和自然语言处理实现与虚拟宠物的互动，支持多平台运行。
一个基于AI的面试角色扮演MCP服务器
一个专为AI模拟面试场景设计的MCP服务器，提供交互式语音面试练习功能
Voicevox MCP Server是一个VOICEVOX兼容的语音合成服务器，通过MCP协议实现与AivisSpeech/VOICEVOX/COEIROINK的交互，支持Cursor等编辑器中的Claude 3.7代理模式语音合成。
为Claude Code提供语音交互模式的MCP服务，支持通过浏览器进行免提的连续双向语音对话，包含语音识别和文本转语音功能。
基于Google Gemini多模态API的增强版网页控制台，新增工具调用功能
%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)
