字节跳动旗下AI编程平台TRAE在SOLO模式中推出内置语音输入功能，并与影石Insta360联合发布Mic Air TRAE联名无线麦克风套装。该组合使“Vibe Coding”和语音办公更易落地，用户可通过自然语音实现结构化转录、语义修正及语音控制AI命令，推动“动嘴不动手”的高效工作方式在开发者和职场人群中流行，语音输入不再仅限于“念什么写什么”。
小米发布MiMo-V2.5全链路语音模型系列，包括三款TTS模型和一款开源ASR模型，覆盖语音输入与输出。TTS模型能精准调度情绪、语气和角色身份，让声音可编程、可创作、可复刻，提升人机交互自然度，开启语音智能新纪元。
谷歌在iOS平台推出实验性语音输入应用“Google AI Edge Eloquent”，主打离线优先和智能润色功能，利用边缘AI技术将口语实时转化为专业文本。此举标志着谷歌进入高端AI语音转文字市场，与Wispr Flow和SuperWhisper竞争。应用搭载Gemma4系列技术，强调实时处理和文本优化能力。
谷歌发布开源大模型Gemma4，通过“单位参数智能”提升，为开源模型辅助智能体工作流设定新标准。该系列包含2.3B、4.5B高效版及26B、31B高性能版，基于Gemini3技术栈，全系支持多模态输入，部分版本原生支持语音输入，实现端侧实时语音理解。
Mac语音优先应用，支持会议记录、语音笔记和听写，本地模式免费
实时字幕和语音输入，适用于桌面端各类对话，支持翻译和多语言。
适用于macOS的AI输入工具，提升输入速度，具备多种智能功能。
始终在线的语音工具包，支持语音输入、会议总结等功能
Alibaba
-
输入tokens/百万
输出tokens/百万
上下文长度
$1.5
$1.6
32
wcy1122
MGM-Omni-7B是一款全模态聊天机器人，能够处理文本、图像、视频和语音输入，并生成文本和语音响应。它具备长语音理解和生成能力，还支持中英文的零样本语音克隆。
fixie-ai
Ultravox是一个多模态语音大语言模型，能够理解和处理语音输入，支持多种语言和噪声环境。
Ultravox是一个多模态语音大语言模型，结合了预训练大语言模型和语音编码器，能够理解和处理语音输入，支持多语言语音识别、翻译和音频分析等功能。
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。
onecxi
开源印度语言识别模型，支持从语音输入中检测和分类多种印度语言
KevSun
基于BERT架构的文本分类模型，用于评估用户文本或语音输入中的心理健康问题严重程度
yaygomii
该模型是基于whisper-small架构的方言分类器，用于识别和分类特定方言的语音输入。
facebook
该模型是Facebook大规模多语言语音项目的一部分，基于Wav2Vec2架构，能够识别1024种语言的语音输入。
wbbbbb
基于XLSR-53大模型微调的中文语音识别模型，支持16kHz采样率的语音输入
jonatasgrosman
基于facebook/wav2vec2-large-robust模型微调的瑞典语自动语音识别模型，支持16kHz采样率语音输入。
基于microsoft/wavlm-large微调的瑞典语自动语音识别模型，适用于16kHz采样率的语音输入。
基于微软UniSpeech-SAT-Large模型微调的英语语音识别模型，支持16kHz采样率的语音输入。
abidlabs
基于facebook/wav2vec2-large-xlsr-53在英语通用语音数据集上微调的自动语音识别模型，支持16kHz采样率的英语语音输入。
这是一个基于XLS-R 10亿参数模型微调的波兰语自动语音识别(ASR)模型，在Common Voice 8.0等数据集上训练，支持16kHz采样率的语音输入。
comodoro
这是一个基于facebook/wav2vec2-xls-r-300m在捷克语数据集上微调的自动语音识别模型，支持16kHz采样率的语音输入。
not-tanh
基于facebook/wav2vec2-large-xlsr-53模型微调的越南语自动语音识别模型，支持16kHz采样率的语音输入。
skylord
基于facebook/wav2vec2-large-xlsr-53在希腊语上微调的语音识别模型，支持16kHz采样率的语音输入。
m3hrdadfi
基于facebook/wav2vec2-large-xlsr-53在波斯语（Farsi）上微调的自动语音识别模型，支持16kHz采样率的语音输入。
mohammed
基于facebook/wav2vec2-large-xlsr-53模型微调的阿拉伯语自动语音识别模型，支持16kHz采样率语音输入
基于facebook/wav2vec2-large-xlsr-53模型微调的俄语语音识别模型，支持16kHz采样率的语音输入
%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)
