公司发布新一代开源医疗大模型MedGemma 1.5及临床语音识别模型MedASR，强化医疗技术布局。MedGemma 1.5基于Gemma系列，重点提升医学影像理解能力，可处理文本病历、检验报告、医学文献及X光、CT等影像数据，辅助初步筛查与诊断。
亚马逊推出Alexa+专属网站，用户可通过浏览器直接对话，显示其与ChatGPT竞争加剧。新版AI助手在语音识别和理解能力上显著提升。
腾讯AI Lab副主任俞栋因个人发展原因离职，曾负责语音处理、自然语言处理及数字人技术研发，在深度学习和语音识别领域经验丰富。
ElevenLabs的AI语音智能体深度集成WhatsApp，支持文字与语音双模交互。用户可通过文字聊天或直接拨打WhatsApp语音电话，与拥有逼真人声的AI助理实时对话。企业可便捷部署具备多语言、情感识别、实时翻译等能力的AI语音助手，重构客服体验。
一体化AI创意平台，集视频、图像、音乐、语音合成等功能于一体。
2025全新发布的AI语音输入法，毫秒响应，精准识别，智能重组语言。
先进的文本转语音模型，提供高质量的语音合成服务。
Noiz AI提供自然流畅的语音合成服务，应用场景丰富，生成高效。
Anthropic
$21
Input tokens/M
$105
Output tokens/M
200
Context Length
Alibaba
$1
$10
256
$8
$240
52
$3.9
$15.2
64
$15.8
$12.7
-
Bytedance
$0.8
$2
128
Baidu
32
$2.4
$12
8
Tencent
$0.3
$3
$9
$1.6
kyr0
这是一个专为苹果硅芯片设备优化的自动语音识别模型，通过转换为MLX框架并量化为FP8格式，实现在苹果设备上的快速端上语音转录。该模型针对逐字精度进行微调，特别适用于需要高精度转录的场景。
ai-sage
GigaAM-v3是基于Conformer架构的俄语自动语音识别基础模型，拥有2.2-2.4亿参数。它是GigaAM系列的第三代模型，在70万小时俄语语音数据上使用HuBERT-CTC目标进行预训练，在广泛的俄语ASR领域提供最先进的性能。
abr-ai
这是一个由Applied Brain Research（ABR）开发的基于状态空间模型（SSM）的英文自动语音识别模型，拥有约1900万参数，能够高效准确地将英文语音转录为文本。该模型在多个基准数据集上表现出色，平均单词错误率仅为10.61%，支持实时语音识别并可在低成本硬件上运行。
ycngin2024
这是一个经过微调的Whisper语音识别模型，基于unsloth/whisper-large-v3-turbo架构，使用Unsloth和Huggingface TRL库实现了2倍训练加速，显著提升了训练效率。
adoamesh
本模型是基于OpenAI Whisper-small模型针对斯瓦希里语进行微调的自动语音识别模型。在FLEURS-SLU数据集的斯瓦希里语部分进行训练，显著提升了斯瓦希里语的转录准确率，单词错误率相比基础模型降低了68%。
thenexthub
这是一个支持多语言处理的多模态模型，涵盖自然语言处理、代码处理、音频处理等多个领域，能够实现自动语音识别、语音摘要、语音翻译、视觉问答等多种任务。
MERaLiON
MERaLiON-SER-v1 是一个参数高效的多语言语音情感识别模型，能够同时预测7种离散情感类别和连续的情感维度值。该模型基于Whisper-Medium编码器构建，采用LoRA自适应技术，在多语言语音情感识别任务中表现出色。
teckedd
本模型是基于OpenAI Whisper-small在Common Voice 17.0数据集上微调的自动语音识别模型，专门针对Twi语言进行优化，能够实现语音内容的准确识别。
inclusionAI
Ming-flash-omni 预览版是基于 Ling-Flash-2.0 稀疏专家混合（MoE）架构构建的多模态大模型，总参数达100B，每个token仅激活6B参数。该模型在Ming-Omni基础上进行了全面升级，在多模态理解和生成方面有显著提升，特别是在语音识别、图像生成和分割编辑方面表现突出。
kalilouisangare
这是一个基于 OpenAI Whisper Small 模型微调的班巴拉语语音识别模型，在 24738 个班巴拉语音频样本上训练，能够将班巴拉语语音准确转录为文本，字符错误率低至 21.69%。
Ken-Z
本模型是基于OpenAI Whisper-small在拉丁语上微调的自动语音识别模型，使用67小时拉丁语音频数据训练，字符错误率（CER）为20，支持拉丁语语音转文本任务。
ReportAId
MedWhisper Large ITA是基于OpenAI Whisper Large v3 Turbo的领域适配变体，专门针对意大利语医疗语音识别进行了优化。该模型在精心挑选的意大利语门诊专科就诊录音集上使用LoRA技术进行微调，显著提升了医学术语和临床表达的识别准确率。
eustlb
这是一个基于Hugging Face Transformers库的自动语音识别模型，能够将音频内容转换为文本。该模型支持多种语言，适用于实时语音转文字、音频转录等场景。
Vikhrmodels
Borealis 是首款面向俄语的自动语音识别（ASR）音频大语言模型，经过约7000小时俄语音频数据训练。该模型支持识别音频中的标点符号，架构受Voxtral启发但有所改进，在多个俄语ASR基准测试中表现优异。
feelmadrain
这是一个基于OpenAI Whisper Small架构的俄语自动语音识别模型，在Common Voice 17.0数据集上进行了专门训练，能够准确地将俄语语音转换为文本。
openchs
基于OpenAI Whisper Large v2在Common Voice 17.0斯瓦希里语数据集上微调的语音识别模型，专为坦桑尼亚儿童求助热线的斯瓦希里语语音识别任务设计，相比基础模型在斯瓦希里语识别准确率上有显著提升。
BUT-FIT
SE-DiCoW是由BUT Speech@FIT联合JHU CLSP/HLTCOE和CMU LTI开发的目标说话人多说话人自动语音识别模型。该模型基于Whisper large-v3-turbo，通过自注册机制和改进的数据增强技术，在高度重叠的多说话人场景下显著提升了识别准确率。
UsefulSensors
Moonshine Tiny是由Moonshine AI（原有用传感器公司）开发的轻量级越南语自动语音识别模型，仅有27M参数，专为资源受限平台设计，在Fleurs和Common Voice 17数据集上表现出色。
jacktol
基于OpenAI Whisper Large v3模型微调的航空交通管制语音识别模型，专门针对ATC通信场景优化，在测试集上实现了6.5%的字错误率，显著提升了航空通信转录的准确性。
FluidInference
parakeet-tdt-0.6b-v3 是一款强大的多语言自动语音识别模型，支持英语、西班牙语、法语、德语等多种欧洲语言，基于FastConformer-TDT架构，使用公开数据集训练，为跨语言语音识别提供高效解决方案。
一个基于MCP协议的抖音视频处理服务器，支持无水印视频下载、音频提取和文本转换功能。
Jarvis MCP是一个基于浏览器的语音对话工具，让用户能通过麦克风与AI助手进行自然语音对话，支持30多种语言识别和远程访问，无需额外安装软件或API密钥。
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。
一个基于OpenAI API的音频转文字MCP服务器，提供音频转录功能并支持多种配置选项。
基于Faster Whisper的高性能语音识别MCP服务器，提供高效的音频转写能力，支持批量处理、多模型尺寸和多种输出格式。
mcp-audio是一个符合AIO-2030标准的MCP插件，提供语音转文字功能，支持多种音频格式和API调用方式。
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。
该项目扩展了视频语音识别功能，从仅支持本地Whisper模型，新增支持简影和B站剪辑的在线语音识别服务，提供了灵活的多服务选择架构。
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。
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。
TEN Agent是一个多功能AI代理框架，集成了实时视觉、语音识别和屏幕共享检测能力，支持快速扩展开发。
ASR MCP服务器是一个基于whisper引擎的自动语音识别服务，通过MCP工具提供语音合成功能，便于应用集成。
MCP说话人分离与识别系统是一个集成了GPU加速的说话人分离、语音识别、情感检测和Web界面的完整解决方案。它结合了pyannote.audio的说话人分离与faster-whisper转录技术，支持持久化说话人识别（一次注册，永久识别）、双检测器情感分析（结合通用AI与个性化声纹）、实时流处理、REST API和MCP服务器，专为AI智能体集成和爱好项目设计。
%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)
