Confucius4-R2T2：网易有道开源的真流式语音识别模型
Confucius4-R2T2是网易有道开源真流式ASR语音识别模型，具备稳定增量输出、低延迟中文转写能力，支持本地GPU/CPU部署，可用于AI语音Agent、实时字幕、同声传译场景。
Spark-ASR-2.0：科大讯飞新一代语音识别大模型
Spark-ASR-2.0是科大讯飞发布的新一代语音识别大模型，基于Spark-Audio-1.0-Preview语音基座大模型、全国产算力训练而成。它打破传统ASR只做原声文字还原的思路，将声学识别...
Xiaomi-CocktailASR-1：小米开源的目标说话人语音识别模型
Xiaomi-CocktailASR-1 是小米研究院开源的目标说话人语音识别模型（Target Speaker ASR，TS-ASR），开源协议为 Apache 2.0。模型专门解决语音领域经典的鸡尾酒会问题，也就...
MAI‑Transcribe‑2：微软新一代云端多语言高速语音转写API模型
MAI‑Transcribe‑2是微软AI实验室推出的第二代企业级云端自动语音识别（ASR）模型，属于MAI系列自研AI模型，专注音频转文本任务，定位高速、高准确率、低成本的批量与流式...
Hojo-ASR：开源轻量语音识别模型，支持多语种离线极速转写
Hojo-ASR 是由 HojoAI团队开源的新一代自动语音识别（ASR）项目，该项目主打小参数量、高识别精度、极速推理、多语种兼容四大核心优势，同时兼顾云端服务器、本地PC、边缘设...
Mega-ASR：开源高鲁棒语音识别模型，适配全场景恶劣环境语音转写
Mega-ASR是一款主打全场景恶劣环境的开源自动语音识别模型，依托海量实景语音数据与声学语义渐进微调技术，有效解决噪声、远场、混响失真音频识别难题，具备低幻觉高精准转...
StepAudio 2.5 ASR：阶跃星辰开源的轻量化语音识别模型
StepAudio 2.5 ASR 是由阶跃星辰基于前代模型架构全面优化升级而来的一款面向端侧与轻量化部署的开源自动语音识别（ASR）模型迭代版本，聚焦低成本、低算力、高适配的语音转...
SenseAudio：商汤科技推出的AI语音与音视频一站式创作平台
SenseAudio是商汤科技推出的一站式AI语音与音视频创作平台。它集成了语音识别、语音合成、音色克隆、人声提取等核心技术，旨在为用户提供从语音生成、编辑到交互的完整解决...
FireRedASR2S：小红书开源的工业级一站式语音识别系统
FireRedASR2S是小红书智能创作基础技术团队开源的SOTA级工业级一站式语音识别系统，集成FireRedASR2语音识别、FireRedVAD语音活动检测、FireRedLID语言识别、FireRedPunc标...
PaddleSpeech：百度飞桨开源的全栈语音 AI 工具包，覆盖识别合成翻译克隆全场景
PaddleSpeech是基于百度飞桨（PaddlePaddle）深度学习框架打造的开源一站式语音与音频全功能处理工具包，该项目的核心定位是降低语音技术的使用与开发门槛，打通从数据处理...
MLX-Audio：面向Apple Silicon的开源本地AI语音文字互转与语音转换工具
MLX-Audio是基于苹果MLX框架深度开发、专为Apple Silicon M系列芯片优化的开源音频处理库，完整覆盖文本转语音、语音转文本、语音转语音三大核心能力，支持多语言、多主流模...
Qwen3-ASR：通义千问开源的多语言语音识别套件，覆盖52种语种方言与高精度强制对齐
Qwen3-ASR是由阿里云通义千问（QwenLM）团队完全开源的一站式语音识别（ASR）与语音-文本强制对齐解决方案，基于Qwen3-Omni多模态大模型基座研发，是一套集语音转写、语言自...
MedASR：谷歌开源的医疗场景专属自动语音识别模型
MedASR是谷歌健康团队开源的医疗领域专用自动语音识别模型，核心聚焦临床语音转文本场景，解决通用ASR模型医疗术语识别不准、误判率高的痛点。该模型基于轻量化Conformer架...
Omnilingual ASR：Meta开源的多语言语音识别系统，支持1600+语言的高效语音转文字工具
Omnilingual ASR是由Meta（Facebook Research）开源的多语言语音识别系统，支持全球超过1600种语言（含数百种稀有语言），提供从300M到7B的多规格模型，支持零样本学习与无...
千音漫语：AI语音合成平台，1800+主播声音助力高效配音创作
千音漫语是由北京熠声科技有限责任公司推出的一款基于AI大模型的声音智能创作平台。它集成了语音合成（TTS）、语音识别（ASR）、多语种翻译配音、声音克隆、音频处理等多种...