微软发布全新语音转文字模型MAI-Transcribe-1，在25种语言上平均词错误率仅3.9%，成为全球最精准转写模型。该模型在FLEURS基准测试中表现优异，尤其在英语等11种核心语言上效果突出。这是微软MAI系列第三款产品，此前已推出语音合成和图像生成模型。
HeyGen发布新一代视频翻译引擎，通过上下文感知翻译、语音情感迁移和口型同步三大技术，实现跨语言视频本地化。外国演讲者不仅能说地道中文，连语气、表情和唇动都自然逼真，达到“以假乱真”效果，推动“一人拍摄，全球共鸣”。
豆包语音团队推出“AI多人有声剧”全自动生产方案，实现从小说文本到成品广播剧的端到端无人化制作。无需配音、剪辑和人工干预，成本大降、效率提升，效果接近专业水准，角色识别准确率达98%。
Fish Audio发布升级版S1语音克隆模型，在情感表现力和拟真度上实现突破。该模型能生成富有情绪、节奏和语气变化的真人级声音，仅需10秒语音样本即可克隆人声，完整保留原声的口音、语调、节奏及说话习惯，效果逼真。
AI驱动的隐形提词器，适用于Mac和Windows，语音控制，提升演示效果
AI语音生成器，1000+语音效果，142+语言
Alibaba
$8
Input tokens/M
$240
Output tokens/M
52
Context Length
$3.9
$15.2
64
$15.8
$12.7
-
Bytedance
$0.8
$2
128
$2.4
$12
8
Tencent
32
$3
$9
$1.6
$10
$1
4
$0.5
$4
28
$1.5
Xai
$21
$105
Openai
$3.5
$10.5
16
Baidu
Apel-sin
基于TIES合并方法融合的俄语语音识别模型，优化电话语音识别效果
facebook
Facebook开发的Wav2Vec2大模型，基于960小时Libri-Light和Librispeech语音数据预训练和微调，采用自训练目标，在LibriSpeech测试集上达到SOTA效果。
DrishtiSharma
这是一个基于facebook/wav2vec2-xls-r-300m模型在斯洛文尼亚语(Common Voice 8.0)数据集上微调的自动语音识别(ASR)模型，结合语言模型(LM)提升了识别效果。
%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)
