阿里Qwen团队出品，中文WER开源最低，配套ForcedAligner毫秒级时间戳，视频配音翻译链路的基础设施

Qwen3-ASR 效率碾压、VibeVoice 长音频分人无敌、Whisper 生态覆盖最广——三大 ASR 各守一象限，谁该装谁

要同时读画面+声音分析快手/抖音短视频，实测硅基流动 Qwen3-Omni、DashScope Qwen3.5-Omni flash/plus、本地抽帧+ASR 五条链路，给出选型建议和避坑点。

上传视频自动语音转写，选中文字段落就剪出对应片段，还支持按说话人剪辑和 LLM 辅助选段

微软开源的前沿语音AI模型，支持60分钟长音频识别和90分钟多说话人语音合成

集成翻译、配音、语音克隆，支持横竖屏，输出适配抖音、小红书、B站、YouTube、TikTok

5秒样本零样本TTS，1分钟数据微调即可克隆声音。支持中英日韩粤跨语言推理，集成WebUI工具链，58k Stars

开源语音交互 AI 虚拟伴侣，13.5K Stars。支持实时语音对话、视觉感知、Live2D 形象，桌面宠物模式可完全离线运行

语音识别+大模型+语音合成+虚拟形象全链路打包,开箱即用,直播带货/客服场景首选

真正开源的 AI 数字人克隆工具，15K Stars。支持外观+声音克隆、文本/语音驱动生成视频，完全离线运行，Docker 一键部署

想自己组装机器在本地跑顶级AI大模型，不依赖任何API？这份攻略从硬件选型到系统配置到模型推荐全讲清楚了，2千美元起步。

Google DeepMind 开源多模态模型，11.95B参数支持文本+图像+音频，256K上下文，原生函数调用，Apache 2.0免费商用

完全离线、0.15秒出字，按住CapsLock说话松开就上屏，再也不用给讯飞交月费了

扔一段视频进去，自动出带章节配图的 Markdown 报告，网课笔记/会议纪要/内容素材一站搞定

甩一段视频进去，画面内容、背景音乐、音效、对白全给你分析出来——阿里原生全模态模型，30B只激活3B，还能直接用语音回答你，Apache 2.0