把嘴裡那段沒頭沒尾的話，直接變成能貼出去的文字——這是騰訊從 2026 年 9 月起內測的語音寫作程式在做的事。六種改寫方向可依場合切換，目前僅提供 Windows 與 macOS 版本。

開源的音色轉換與即時變聲框架。官方建議至少準備十分鐘低底噪語音來訓練，端到端延遲可做到 170 毫秒，並同時提供網頁介面與獨立的即時變聲介面。

把混好的歌曲拆成鼓、貝斯、人聲與其餘伴奏的開源分離模型。以命令列一行執行，也能從 Python 直接呼叫，程式碼採 MIT 授權。

用音源分離模型把歌曲拆成人聲與伴奏的開源工具。官方安裝包把介面、Python、PyTorch 與相依套件一起打包，事前不必準備任何前置條件。

衝著 Whisper 的兩個缺口而來：時間戳只到句子一級，而且本身不支援批次處理。WhisperX 用強制對齊把時間戳細到每個詞，再標出說話者，large-v2 上號稱 70 倍實時。

把轉寫從網頁搬回本機的桌面程式，底層是 Whisper。可以吃影音檔與線上連結、用麥克風即時轉寫、分辨不同說話者，結果能輸出純文字與 SRT、VTT 字幕。

一條指令裝好就能跑的離線轉寫工具。同一個模型包辦多語轉寫、翻成英文與語種判斷，官方給出六個尺寸，從約 3900 萬參數一路到約 15.5 億，程式碼與權重皆為 MIT。

一套裝在自己機器上執行的零樣本語音合成系統。只要一段參考音訊就能複製嗓音，情緒、語速與發音都做成可調參數，權重則走專案自訂的許可協議，而不是通用開源授權。

以流匹配做語音合成的開源專案，提供 pip 套件、命令列推論與 Gradio 網頁介面。程式碼是 MIT，預訓練權重卻因訓練資料的限制只能非商用。

開源的語音合成模型，最新一代支援跨語言的零樣本複製，涵蓋九種外語與十多種中文方言與口音，並以 Apache 2.0 授權釋出。

開源的語音合成 WebUI。五秒人聲就能做零樣本合成，一分鐘語料足以微調出更接近的音色；推論還能跨語言，涵蓋中文、英文、日文、韓文與粵語。