AI音频工具

ACE Studio 是 Timedomain 推出的 AI 歌声合成工作站，可将 MIDI 与歌词合成为富表现力的人声，支持声音克隆、声线转换、AI 乐器与音轨分离。

AIVA 是一款专业级 AI 音乐创作引擎，可在 250 多种风格中生成原创乐曲，并支持上传音频/MIDI 影响、在线 MIDI 编辑与多格式导出。它适用于视频配乐、广告音乐、游戏音效等场景，付费方案（尤其是 Pro）可将生成音乐的版权归属用户，方便商业使用。

Beatoven.ai 是由印度团队开发的 AI 背景音乐生成平台，用户通过设置情绪、流派与节奏即可生成免版税的可定制音乐，支持 MP3/WAV 下载并获得商用授权，是视频创作者、播客主与社交媒体运营者的常用配乐工具。

Boomy是AI音乐生成与流媒体分发一体化平台，一键生成歌曲并直接发布到Spotify等40+平台赚取版税。已生成2100万+首歌曲。免费版可用（不可下载），Creator $9.99/月起。业界唯一内置版税系统的AI音乐工具。

Cartesia是一个专注于实时语音AI的平台，提供超低延迟的语音合成（TTS）与语音转文字（STT）能力。其Sonic系列模型首字节延迟可低至90ms，支持40+种语言、语音克隆、情绪与笑声表达，并提供Line语音代理平台，是构建AI语音助手和实时对话应用的常用选择。

ChatTTS是2noise团队开发的对话场景专用开源TTS模型，v0.2.5（2026-04），支持中英双语及韵律精细控制，AGPL-3.0/CC BY-NC 4.0许可，商业使用需授权。

ChatGPT Voice 是 OpenAI 为 ChatGPT 桌面应用上线的语音交互功能，底层基于当月推出的 GPT-Live 全双工语音模型系列。用户可用语音直接对话、控制 AI 智能体，并让其在电脑上执行多步骤任务（如创建代码线程、提交 PR、定位 Bug），同时支持 ChatGPT Work 与 Codex，可调用计算机操作能力访问网站与应用。

Cleanvoice 是 AI 音频清理工具，自动去除录音中的填充词、口头禅、嘴音与呼吸声，并提供 Studio Sound 音质增强与转录，让播客和视频音频快速达到专业品质。

CosyVoice 是阿里巴巴通义实验室（FunAudioLLM）开源的多语种语音合成大模型，支持高自然度的文本转语音与零样本音色克隆，可通过阿里云百炼（DashScope）API 调用。

Deepgram是企业级语音AI平台，提供高准确度、低成本的语音转文字（STT）、语音合成（TTS）与语音代理（Voice Agent）API。其Nova模型支持45+种语言，提供实时流式与批量转录、说话人分离和智能格式化，新用户可获$200免费额度，按量计费。

Dictantor 是一款面向 Apple 设备的本地录音与转写工具，能在 Mac 上同时录制麦克风与系统音频，并把语音笔记延伸到 iPhone 和 Apple Watch。转写在设备端完成，支持 25 种欧洲语言、说话人区分与按内容定位录音片段，且无需账号和订阅。

ElevenLabs Dubbing 是 ElevenLabs 推出的 AI 视频/音频配音与翻译工具，基于 Dubbing v2 模型，可在 90+ 种语言间翻译音视频，并保留原说话者的情绪、语调与音色。

顶级AI语音合成与声音克隆平台，支持文字转语音、声音克隆、多语言配音与对话式AI，语音自然逼真，是播客与视频配音首选。

F5-TTS 是由开源社区 SWivid 维护的基于 Flow Matching 的文本转语音模型，支持多语言语音合成与声音克隆，并非 Suno 团队产品。

Fish Audio 是国内团队打造的 AI 语音合成平台，基于开源的 Fish Speech 模型，提供高拟真文字转语音、约 15 秒声音克隆和实时语音 API。它支持 30+ 语言与情绪控制，面向视频配音、有声书、游戏角色与语音 Agent 等场景。

GPT-SoVITS是RVC-Boss开发的开源少样本语音克隆工具，5秒音频即可克隆声音，支持中/英/日/韩/粤语，MIT许可证可商用，已迭代至V4。

HuggingFace Speech-to-Speech 是 Hugging Face 官方出品的本地语音 Agent 管线，把 VAD（语音活动检测）→ STT（语音转写）→ LLM（大模型应答）→ TTS（语音合成）拆成四个可替换阶段，通过 OpenAI Realtime 兼容的 WebSocket API 暴露服务。首个正式大版本 v1.0.0 带来统一的 Realtime 引擎与显式 serve/talk/local 三条命令、更多语音后端（Qwen3-ASR 识别、OpenAI 兼容 STT/TTS、OmniVoice/Supertonic TTS）、更可靠的实时对话生命周期管理，并刷新 Apple Silicon MLX 默认配置（4-bit Qwen3-4B + 6-bit Qwen3-TTS，默认托管 LLM 为 gpt-5.6-terra）；整套栈可完全跑在本地，数据不出本机，已在数千台 Reachy Mini 机器人上作为对话后端投产。

AI 降噪与会议助手工具，实时去除通话和会议中的背景噪音，并提供转录、AI 总结与行动项；本地运行，兼容任意会议软件，远程办公与播客的常用工具。

Krotos Studio 是 Krotos 推出的 AI 音效设计工具，通过实时演绎式工作流快速生成并定制专属音效，可一键拖入 Premiere Pro、DaVinci Resolve 或 DAW 使用，音效 100% 免版税可商用。

出门问问推出的AI配音与声音克隆平台，提供千款真人级音色、情感合成、声音克隆及视频云剪辑，覆盖短视频、有声书、企业宣传等场景。

Mubert 是一个 AI 音乐生成平台，根据你输入的文字描述或选择的风格/情绪，自动生成一段免版税的背景音乐，可直接用于商业项目而无需担心版权。它支持自定义时长（最长约 25 分钟）、批量生成多个版本，并提供 API 供开发者集成，适合视频、播客、游戏等内容创作者。

Mureka 是昆仑万维推出的 AI 音乐生成平台，支持文本描述生成歌曲与配乐，提供多轨编辑、AI 人声与商业版权授权，凭借自研 MusiCoT 技术（V8/V9）在音质与人声表现上表现突出，适合内容创作者与独立音乐人。

AI 配音和语音合成工具，提供 200+ 种逼真 AI 声音。支持文本转语音、视频配音和语音克隆，是视频创作者和广告制作人的配音利器。

MusicFX 是 Google Labs 推出的 AI 音乐生成工具（现含 MusicFX DJ），基于 Lyria 音乐生成模型，通过文本提示创作音乐片段，并支持实时交互式混音，完全免费但受地区限制。

Play.ht是一款专业的AI文本转语音(TTS)工具，利用深度学习将文本转换为自然流畅的人声。支持130+种语言和900+种AI语音风格，提供语音克隆、情感/语调控制与开发者API，适合视频配音、有声书、播客、企业语音等场景。

Resemble AI 是专业的 AI 语音合成与声音克隆平台，给定一小段音频即可克隆声音并用其生成语音；支持文本转语音、实时语音转换（Speech-to-Speech）、情感控制与深度伪造检测，并提供本地部署方案。

专业级 AI 语音克隆与语音转换平台，保留情感与语调，服务于影视、游戏、广告、有声书等专业内容制作，提供 API 与合规授权。

riffusion.org 的 AI 音乐生成工具：输入文本提示即可生成歌曲、器乐、人声、循环与配乐，提供 API 供产品团队集成。

商业 AI 音乐生成平台：输入文本/歌词/图片提示，AI 生成含人声的完整歌曲，支持 30+ 流派、24+ 语言与商用授权（注意与 2022 开源 Riffusion 项目无直接关系）。

Soundraw 是一款 AI 音乐生成工具，用户可通过选择流派、心情和时长，自动生成无版权、可商用的原创背景音乐。其 AI 仅训练于团队自有制作的音乐，因此每首曲子都具备清晰的商业许可。它提供混音器微调乐器与强度、STEM/WAV 导出，以及 API 接入，适合内容创作者、视频制作者与游戏开发者。

Spark-TTS 是一个基于大语言模型（Qwen2.5）的开源零样本文本转语音（TTS）工具，支持中英文、多音色与可控语音生成（性别/音高/语速），可本地部署。

AI 文字转语音工具，将文本、文档、网页转换为自然语音，支持 100+ 语言与上千种声音，适合阅读障碍者与听书学习人群，覆盖 Web / 移动 / 浏览器多端。

Stable Audio 是 Stability AI 推出的 AI 音乐与音效生成工具，用自然语言描述即可生成最长约 6 分钟、44.1kHz 立体声的高清音频。它同时支持音乐、音效与声音设计，并提供对内容创作者友好的商用授权。

AI 音乐生成头部平台，2026-09 上线 v6 模型家族：与音乐人联合打造的三档模型——v6 精准打磨、v6-wild 实验冒险、v6-mini 免费档全量开放，统一支持人声、乐器、结构与情绪的音乐语言控制，继续领跑消费级 AI 音乐创作。

AI音乐生成工具，与Suno齐名。支持生成高质量完整歌曲，音质出色风格多样，是音乐创作者的新宠工具。

voice-pro 是 abus-aikorea 开源的一站式 AI 配音与语音处理套件，本质上是一个基于 Gradio 的 WebUI，把视频/音频下载、人声分离、转录、声音克隆、TTS、翻译全部塞进同一条工作流。它最早是商业项目，后来把整套代码开源，因此常被称为开源版 ElevenLabs。对做双语字幕、多语种配音、视频本地化的创作者来说，它是一个能把订阅账单打到零的本地替代方案。

VoiceStudio 是一款开源、可本地化部署的 ElevenLabs 替代方案，支持语音克隆、音色设计、配音与转写等能力，全部功能均可本地运行。最新版 v0.5.4（2026-09-21，GitHub 标记 Latest）让引擎真正可用、长音频更顺滑：修复 CosyVoice 运行时并经新版 Transformers 保留语音上下文、多引擎安装失败不再删除已下载模型；故事与有声书获得更干净的音频拼接（行间改用可调间隙而非引擎填充）与更可靠的 EPUB 导入；支持导出本地 n8n 语音工作流，并通过 MCP 配置接入 Claude Code 或 Cursor；Electron 安装、听写与崩溃诊断更可靠，配音/字幕导入可保留对话、时序与背景音频。它特别适合对数据出境敏感、或希望节省语音合成订阅费用的用户与团队。

Wondercraft AI是一款专注于播客与音频内容创作的AI工作室，通过先进语音合成将文本、文档或链接快速转换为专业播客与音频广告。支持30+种语言、多种AI语音模型与团队协作，2026年推出Wonda AI agent，进一步支持对话式音视频创作，已成为内容创作者和营销团队的热门选择。

科大讯飞推出的AI配音与虚拟数字人视频创作平台，基于讯飞星火大模型，提供文字转语音、多情感多语种配音、数字人视频与声音形象定制。