VoiceStudio：开源离线语音工具箱，支持多引擎TTS、批量有声书生成
VoiceStudio是开源本地语音工作台，全部推理本地执行，支持零样本语音克隆、ASR语音转写、视频离线配音、批量有声书生成，提供桌面端、Docker部署，内置多语种TTS/ASR引擎。...
MAI-Transcribe-2-Streaming：微软AI推出的百毫秒级实时语音识别工具
MAI-Transcribe-2-Streaming 是微软 AI 团队发布的流式实时语音转文字（Streaming Speech-to-Text）模型，也是微软自研的第一款流式 STT 模型。它与同月稍早发布的批量转写...
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。
Qwen-Audio-3.1：阿里通义千问推出的新一代音频模型
Qwen-Audio-3.1是阿里云通义千问新一代全套音频大模型，包含Realtime实时语音Agent、ASR语音识别、TTS声景生成，支持全双工对话、方言识别、分角色转写，提供API接入方案。
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...
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...
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...
VibeVoice-ASR：微软开源的AI语音转文本工具，单遍处理60分钟长音频
VibeVoice-ASR是微软推出的开源语音转文本（ASR）模型，支持英语和中文双语言输入，具备单遍处理60分钟长音频的核心能力。该模型融合ASR、说话人分离与时间戳标注功能，可直...
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...