Speechify發佈原生Windows客戶端，從文本轉語音工具升級爲全棧語音助手。應用集成三類本地AI模型，支持跨應用實時聽寫與文檔轉錄，對標Superwhisper等競品。爲保障響應速度與隱私，在Copilot+ PC等高性能設備上支持完全本地化運行，用戶無需上傳音頻至雲端，即可利用本地NPU或GPU驅動的Whisper模型。
馬斯克旗下xAI公司正式推出Grok文本轉語音Speech API，使AI助手具備語音交互能力。此舉不僅拓展了Grok的多模態功能，更爲開發者提供了便捷接口，可將其對話能力集成至各類應用，推動AI生態向更擬人化方向發展。
IBM推出Granite4.01B Speech語音模型，專爲邊緣計算和企業部署設計。該模型參數量減半，但性能顯著提升，支持多語種自動語音識別和雙向翻譯，新增日語識別和關鍵詞偏置功能，並大幅提高英文轉錄準確率。
Speechify在Chrome擴展中新增語音檢測功能，支持語音輸入和語音助手，旨在提升文檔處理效率。該功能利用先進語音識別技術，實時糾錯並自動刪除多餘填充詞，幫助用戶在競爭激烈的語音工具市場中脫穎而出。
FineVoice可將文本轉換為超1500種逼真AI語音，支持風格、速度等多方面自定義。
Voco Speech是適用於Mac的離線AI語音克隆和文本轉語音工具，有免費額度和無限克隆。
BlabbyAI Chrome擴展，快速準確將語音轉換為文本，支持任意網站語音輸入。
將您的想法說出來，即可在幾秒鐘內獲得一封專業的郵件，隨時發送。
Ken-Z
本模型是microsoft/speech-t5的微調版本，專門針對拉丁語進行了優化訓練。它使用了來自Vox Classica數據集的67小時拉丁語音頻數據進行訓練，能夠實現高質量的拉丁語文本轉語音功能。
BUT-FIT
SE-DiCoW是由BUT Speech@FIT聯合JHU CLSP/HLTCOE和CMU LTI開發的目標說話人多說話人自動語音識別模型。該模型基於Whisper large-v3-turbo，通過自注冊機制和改進的數據增強技術，在高度重疊的多說話人場景下顯著提升了識別準確率。
unsloth
Orpheus TTS 是一款基於 Llama 的先進語音大語言模型（Speech-LLM），專為生成高質量、富有情感的語音而設計。
griffing52
基於microsoft/speecht5_tts微調的語音合成模型，適用於語音合成任務。
prithivMLmods
基於facebook/wav2vec2-base-960h微調的語音情感分類模型，專門用於從音頻信號中準確識別和分類說話者的8種不同情感狀態。
panchajanya-ai
基於 speechbrain/lang-id-commonlanguage_ecapa 的多語言音頻分類模型，支持5種印度語言識別
MAdel121
這是一個針對埃及阿拉伯語方言進行微調的Whisper-small自動語音識別模型，基於SpeechBrain工具包訓練
danhtran2mind
這是一個基於Microsoft SpeechT5微調的越南語文本轉語音模型，能夠將越南語文本轉換為自然語音，支持男性和女性兩種語音輸出。
eeizenman
SpeechT5 是一個基於 Transformer 的文本轉語音模型，支持多種語言的語音合成。
omarViga
基於微軟SpeechT5架構微調的西班牙語文本轉語音模型，在mabama-v6數據集上訓練
suayptalha
基於microsoft/speecht5_tts微調的語音合成模型，支持文本轉語音任務
benjaminogbonna
基於microsoft/speecht5_tts微調的文本轉語音模型
ahmeterdempmk
基於微軟SpeechT5架構的土耳其語文本轉語音模型，經過特定數據集微調優化
Epikwhale
基於微軟SpeechT5架構微調的泰盧固語文本轉語音模型，針對泰盧固語獨特的音素結構和文本模式進行了優化。
Willy030125
基於pyannote/speaker-diarization-3.0修改的說話人分割模型，使用speechbrain/spkrec-ecapa-voxceleb進行說話人嵌入，在某些測試中表現更優
GaborMadarasz
基於微軟SpeechT5微調的匈牙利語文本轉語音模型，支持單說話人語音合成
mradermacher
這是對Menlo/Speechless-llama3.2-v0.1模型進行加權/重要性矩陣量化的結果，提供多種量化版本
基於Menlo/Speechless-llama3.2-v0.1的靜態量化版本，支持英語和越南語的多語言處理。
hungphan111
基於microsoft/speecht5_tts模型在voxpopuli數據集上微調的文本轉語音模型
speechbrain
這是一個基於25000小時英文語音數據集訓練的大規模自動語音識別模型，採用Conformer架構，由三星AI劍橋中心貢獻。模型參數量達4.8億，在多個測試集上表現出色，驗證集WER為6.8%，測試集WER為7.5%。
基於Windows原生語音API的語音轉換MCP服務
Speech MCP 是一個為Goose設計的語音交互擴展，提供即時語音識別、文本轉語音和音頻可視化功能。
Speech MCP是為Goose設計的語音交互擴展，提供即時語音識別、高質量文本轉語音、多語言支持和現代化音頻可視化界面，支持多角色對話生成和音頻轉錄功能。
一個基於Kokoro TTS模型的文本轉語音MCP服務器，提供高質量的語音合成服務
%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)
