米国の出張サービス業者に向けた AI の電話受付サービス。かかってきた電話を AI が一日中受け、何をするかを確かめたうえで予約を店主の暦へ入れ、顧客への追いかけと通話の記録まで代わる。月 199 ドル、七日間の試用はカードの登録が不要。

二〇二六年九月に試験提供が始まった音声入力の道具。Fn を押して普段どおりに話し、離すと話し言葉の重複を除いた読みやすい文章になる。会議の記録や広告の文案など、用途に合わせた整文もできる。

録音を放り込むと背景の雑音を消し、音量をそろえ、明瞭さを上げる Adobe のウェブ道具。導入も設定も要らず、無料の範囲は一日一時間の音声まで。

声質の変換とその場の声チェンジを行うオープンソースの枠組み。学習には少なくとも十分の静かな音声が要り、端から端までの遅れは 170 ミリ秒に届く。画面も二種類そろっている。

混ぜられた曲をドラム、ベース、声、残りの伴奏に分けるオープンソースの分離モデル。コマンドライン一行で走り、Python からも呼べる。コードは MIT ライセンス。

音源分離のモデルで曲を声と伴奏に分けるオープンソースの道具。公式のインストーラは画面、Python、PyTorch と依存をまとめて同梱していて、事前の準備が要らない。

Whisper の二つの穴を埋める流れだ。時刻は文の単位で止まり、まとめて処理する手段もない。WhisperX は強制アラインメントで語の時刻まで詰め、話者も見分け、large-v2 で実時間の 70 倍とうたう。

自分のパソコンの中で書き起こしと翻訳を済ませるデスクトップの道具で、土台は Whisper。音声や動画のファイルとリンクを扱い、マイクからはその場で書き起こし、話者も見分け、テキストと SRT、VTT に書き出せる。

文字起こしと英語への翻訳、言語の判定を一つの流れでこなす汎用の音声認識モデル。大きさは約 3900 万から約 15.5 億パラメータまで六種類。コードも重みも MIT ライセンスで配布される。

手元のマシンに導入して動かすゼロショット音声合成。参照音声は一本でよく、感情も話速も発音もパラメータで調整できる。重みの扱いは汎用のオープンソース許諾ではなく、プロジェクト独自のライセンスで決まる。

フローマッチングで音声を合成するオープンソースのプロジェクト。pip パッケージ、コマンドライン推論、Gradio の画面を用意する。コードは MIT だが、学習済みの重みは学習データの都合で非商用に限られる。

オープンソースの音声合成モデル。最新世代は言語をまたぐゼロショット複製に対応し、9 つの外国語と十を超える中国語の方言と訛りを覆い、Apache 2.0 ライセンスで公開されている。

オープンソースの音声合成 WebUI。五秒の人声があればゼロショットで合成でき、一分の音声データがあればより近い声質に調整できる。推論は中国語、英語、日本語、韓国語、広東語の五つをまたげる。

登録にカードは要らず、無料枠は毎月 8000 クレジット。十秒の音声を上げれば使える声が手に入り、合成時には 60 種類を超える感情タグで語り口を調整できる。

ブラウザだけで動く音楽制作ツール。中央の入力欄に欲しい雰囲気を書けば、編曲も歌唱もモデルが引き受けて歌入りの曲を返す。歌詞がある人は貼り付けてジャンル・気分・声質を選ぶだけ。歌詞が書けない人向けの入口も別に用意されている。