AudioGPT：开源多模态音频处理工具，一站式实现语音、音乐、声音生成与理解
AudioGPT是由AIGC-Audio团队开源的多模态音频智能处理项目，其核心定位是“音频领域的全栈式解决方案”——通过整合业界成熟的基础模型，实现对语音、音乐、通用声音的“理...
Whisper：OpenAI 开源多语言语音处理模型，支持语音识别与跨语言翻译
Whisper 是 OpenAI 开发的开源通用语音处理模型，基于 Transformer 架构，通过多任务训练支持多语言语音识别、语音翻译、语言识别等功能。该模型提供 6 种不同规格（从 tin...
FireRedChat：开源的全双工实时语音AI对话聊天系统
FireRedChat是一个完全自托管的全双工语音交互解决方案，旨在帮助开发者构建实时语音AI代理。该系统整合了强大的TTS、ASR、pVAD和EoT功能，使开发者能够创建可定制、注重隐...
Qwen3-ASR-Toolkit：阿里达摩院推出的基于 Qwen-ASR API 的高性能语音转写工具包
Qwen3-ASR-Toolkit是一个专为Qwen-ASR API设计的高性能Python命令行工具包。它通过智能音频分割和并行处理，突破了API的3分钟时长限制，支持超长音频和视频的高效转录。该工...
VoiceInk(智能语音转文字工具)
VoiceInk是一款专为 macOS 系统打造的原生语音转文字应用，致力于将用户的语音实时、准确地转化为文本内容。通过先进的本地 AI 模型与智能化功能设计，VoiceInk 实现了近乎...
语音识别（ASR）是什么意思？一文带你了解语音识别的基本概念
自动语音识别（Automatic Speech Recognition, ASR）是将人类语音中的词汇内容转换为计算机可读文本的技术，其本质是序列到序列的映射过程：输入为音频波形或频谱特征，输出...