Fish Audio S1语音克隆模型升级，显著提升情感表现力和声音拟真度，能生成富有情绪、节奏感和语气变化的语音。这一突破以高性价比重新定义行业标准，为用户提供更优质体验，并挑战市场格局。
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。
火山引擎在武汉AI巡展推出四款豆包大模型：升级版1.6支持四种思考长度，轻量版1.6lite，以及全新语音合成2.0与声音复刻2.0。升级显著提升智能化水平，为企业提供更灵活选择。
火山引擎升级豆包大模型矩阵，推出“智能模型路由”服务，助力企业迈向Agentic AI时代。核心升级包括豆包大模型1.6提升推理能力、支持四种思考长度，以及发布1.6lite、语音合成2.0和声音复刻2.0三款新模型，完善产品生态。
一款支持中英文的对话语音合成模型。
开源的高质量文本转语音模型，支持情感控制。
使用低延迟语音识别和合成模型与 AI 对话。
一款高质量的英语自动语音识别模型，支持标点符号和时间戳预测。
xai
$21.6
输入tokens/百万
$108
输出tokens/百万
256k
上下文长度
minimax
$0.85
$3.4
200k
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%。
nineninesix
这是一个基于MLX框架优化的文本转语音模型，由nineninesix开发，支持多种语言的高质量语音合成。
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。
inclusionAI
铭音通是一个创新的统一语音框架，将语音理解、生成和编辑功能整合为一体。它采用统一的连续语音分词器，能在端到端模型中有效融合语义和声学特征，是首个仅通过自然语言指令就能实现通用、自由形式语音编辑的系统。
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。
本模型是microsoft/speech-t5的微调版本，专门针对拉丁语进行了优化训练。它使用了来自Vox Classica数据集的67小时拉丁语音频数据进行训练，能够实现高质量的拉丁语文本转语音功能。
KaniTTS是一款高速、高保真的文本转语音模型，专为实时对话式人工智能应用而优化。该模型采用两阶段处理流程，结合大语言模型和高效音频编解码器，在Nvidia RTX 5080上生成15秒音频的延迟仅需约1秒，MOS自然度评分达4.3/5，支持英语、中文、日语等多种语言。
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。
neuphonic
NeuTTS Air是世界上首个具备即时语音克隆功能的超逼真、端侧文本转语音（TTS）语言模型。基于0.5B参数的大语言模型骨干构建，能为本地设备带来自然的语音、实时性能、内置安全性和说话人克隆功能。
NeuTTS Air是全球首个具有即时语音克隆功能的超逼真设备端文本转语音模型，基于0.5B参数的大语言模型骨干构建，能在本地设备上实现自然语音生成、实时性能和说话人克隆功能。
XiaomiMiMo
MiMo Audio是小米开发的音频语言模型，通过大规模预训练展现出强大的少样本学习能力。该模型突破了传统模型依赖特定任务微调的局限，在语音智能、音频理解等任务中表现出色，在开源模型中达到先进水平。
MiMo Audio是一款基于大规模预训练的音频语言模型，在语音智能和音频理解基准测试中取得了开源模型的SOTA性能。该模型展现出强大的少样本学习能力，能够泛化到训练数据中未包含的任务，支持语音转换、风格迁移和语音编辑等多种音频任务。
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。
NeuTTS Air是世界上首个具备即时语音克隆功能的超逼真、设备端文本转语音（TTS）语言模型。基于0.5B大语言模型骨干网络构建，能为本地设备带来自然的语音、实时性能、内置安全功能和说话人克隆能力。
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。
notmax123
Zonos-v0.1 是一款领先的开源文本转语音（TTS）模型，基于超过20万小时的多语言语音数据训练，在表现力和质量上可与顶级TTS供应商相媲美。支持零样本语音克隆、多语言合成和精细的音频控制。
gguf-org
vibevoice-gguf 是一个基于 Microsoft VibeVoice-1.5B 模型的文本转语音系统，通过 gguf-connector 运行，能够将文本转换为自然语音，支持语音克隆和多说话人语音生成。
cartesia
这是针对csm.rs框架优化的sesame/csm-1b文本转语音模型的GGUF量化版本，通过量化技术减小模型大小并提升推理效率，适用于语音合成任务。
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。
mcp-hfspace是一个连接Hugging Face Spaces的MCP服务器，支持图像生成、语音处理、视觉模型等多种AI功能，简化了与Claude Desktop的集成。
一个基于Whisper模型的语音录制和转录MCP服务器，可作为Goose AI扩展或独立服务运行。
一个基于MCP协议的视频音频文本提取服务器，支持从多平台下载视频并利用Whisper模型进行语音转文字处理
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。
一个基于Whisper模型的语音录制和转录MCP服务器，可作为Goose AI扩展或独立运行，支持多种录音场景和模型配置。
TeamSpeak MCP是一个基于Model Context Protocol的服务，用于通过AI模型（如Claude）控制TeamSpeak服务器，提供全面的频道管理、用户权限控制、语音调节等功能。
一个基于Chatterbox TTS模型的简化MCP服务器，提供文本转语音生成及自动播放功能，支持实时进度通知和自动模型加载。
TeamSpeak MCP是一个基于Model Context Protocol的服务器控制工具，专门用于让AI模型（如Claude）管理TeamSpeak语音服务器。它提供39种功能工具，涵盖用户管理、频道控制、权限配置等全方位操作，支持多种部署方式（PyPI/Docker/本地），实现自动化TeamSpeak管理。
一个基于ClickSend API的MCP服务器，提供短信发送和文本转语音电话功能，支持AI模型程序化操作通讯服务。
MiniMax MCP JS是一个JavaScript/TypeScript实现的MiniMax模型上下文协议工具包，提供文本转语音、图像生成、视频生成和语音克隆等功能，支持多种配置方式和传输模式。
Groq MCP Server是一个通过Model Context Protocol（MCP）提供快速模型推理的服务，支持文本生成、语音转换、图像分析和批量处理等多种功能。
基于大模型的智能对话机器人项目，支持多平台接入和多种AI模型，具备文本、语音、图像处理及插件扩展能力，可定制企业AI应用。
MCP Server Whisper是一个基于OpenAI Whisper和GPT-4o模型的音频处理服务器，提供高级音频转录、格式转换、批量处理和文本转语音等功能，通过Model Context Protocol标准实现与AI助手的无缝交互。
ExotelMCP是一个模型上下文协议(MCP)服务器，提供Claude AI与Exotel通信API的无缝集成，支持短信、语音通话和快速音频工具服务。
MCP-hfspace是一个简化连接Hugging Face Spaces的服务器工具，支持图像生成、语音处理、视觉模型等多种AI功能，与Claude Desktop无缝集成。
一个基于Kokoro TTS模型的文本转语音MCP服务器，提供高质量的语音合成服务
%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)
