这是一款基于Qwen3-ASR-1.7B大模型的本地语音识别工具，主要功能包括： 支持批量音视频转文字，自动区分说话人并导出带时间轴的TXT/SRT/字幕文件 可选AI翻译生成双语字幕，以及AI自动总结，支持单文件或文件夹批量处理 要求Win10/11系统，识别结果包含纯文本、标准字幕、双语字幕和结构化总结四种输出格式 特色在于离线环境下实现说话人分离和自动总结，适合会议记录、视频字幕制作等场景，

阿里Qwen3-TTS是一款支持10种语言的多功能语音合成系统，具备音色克隆、音色设计和9种预设音色功能。该系统采用自研12Hz编解码器和离散多码本架构，支持流式生成（首包延迟97ms）和自然语言指令控制。整合包优化了低端显卡支持，提供预设音色合成、自定义音色设计、音色克隆及多人对话四大功能模块，支持中英日韩等语言，适用于有声读物、游戏配音等场景。

MOSS-TTS-Nano是由MOSI.AI与OpenMOSS开发的开源多语言语音合成系统，具有0.1B参数量，支持CPU/GPU运行。核心采用AudioTokenizer+LLM架构，支持20种语言合成和语音克隆功能，可通过参考音频模仿说话人音色。系统提供PyTorch和ONNX两种推理后端，ONNX版更适合CPU环境部署，体积更小效率更高。软件支持实时流式解码、文本正则化处理、参数调节等功能，

VoxCPM是一款由OpenBMB团队开发的开源TTS语音合成系统，最新版本VoxCPM2采用Tokenizer-Free的端到端扩散自回归架构，支持48kHz高音质输出和30种语言（包括多种汉语方言）。该系统具备零样本克隆、音色设计、语境感知等核心功能，用户可通过自然语言描述定制声音或基于参考音频克隆音色。本次更新特别增加了多人对话语音合成功能，支持最多5个角色自动拼接成长音频，大幅提升有声书、

Chatterbox是由ResembleAI开发的开源TTS模型，支持零样本音色克隆和多语言语音合成。本文介绍了一款整合包，优化了UI并新增多人对话和实时语音功能。该工具支持23种语言，通过3-10秒音频即可克隆音色，提供10余项参数调节，并内置音频水印技术。整合包包含单段合成、多人对话和实时合成三种模式，支持最多5人对话场景。

AI实时语音对话系统是一款集成语音识别(ASR)、大语言模型(LLM)和语音合成(TTS)的交互软件，支持端到端的自然语音对话。系统特点包括：全链路实时处理(流式传输、低延迟)、7种多语言AI角色(可自定义)、智能语音处理(VAD检测、降噪)、兼容OpenAI API标准、可视化三栏界面。适用于外语练习、日常聊天等场景，支持本地化部署保障隐私。

XianyuAutoAgent是一款专为闲鱼平台设计的智能客服解决方案，通过大语言模型实现全天候自动回复。核心功能包括：1）智能识别买家意图（价格/技术咨询等），采用多AI专家协作生成专业回复；2）提供可视化WebUI管理API密钥、Cookie及提示词，支持实时日志监控；3）独创人工接管模式，通过发送句号切换人工/自动服务；4）内置安全防护机制，过滤敏感信息并支持模拟人工输入延迟。

这是一款基于Qwen3-ASR-1.7B大模型的本地语音识别工具，主要功能包括： 支持批量音视频转文字，自动区分说话人并导出带时间轴的TXT/SRT/字幕文件 可选AI翻译生成双语字幕，以及AI自动总结，支持单文件或文件夹批量处理 要求Win10/11系统，识别结果包含纯文本、标准字幕、双语字幕和结构化总结四种输出格式 特色在于离线环境下实现说话人分离和自动总结，适合会议记录、视频字幕制作等场景，

一款专为AI视频创作者设计的本地化离线工具，可自动将视频转化为结构化提示词。该工具通过三层智能抽帧算法（场景检测+光流采样+去重处理）提取关键帧，并基于Qwen3.5模型从8个维度（主体/动作/镜头/风格等）进行多模态分析，输出适配即梦AI等平台的标准化提示词。支持4种模型规格（0.8B-9B）本地推理，采用vLLM+Gradio架构，确保数据安全。核心优势在于全流程自动化处理，帮助创作者快速复用

阿里Qwen3-TTS是一款支持10种语言的多功能语音合成系统，具备音色克隆、音色设计和9种预设音色功能。该系统采用自研12Hz编解码器和离散多码本架构，支持流式生成（首包延迟97ms）和自然语言指令控制。整合包优化了低端显卡支持，提供预设音色合成、自定义音色设计、音色克隆及多人对话四大功能模块，支持中英日韩等语言，适用于有声读物、游戏配音等场景。