来自 Hugging Face 的 AI 项目

ACE-Step 1.5

ACE-Step · 工具包

根据文字描述生成完整歌曲，由规划歌词和结构的语言模型，加上渲染音频的扩散 Transformer 组成。设计上可在消费级硬件上运行。

Nemotron 3 Diarization

nvidia · 工具包

找出录音里谁在什么时候说话，最多支持八位说话人，可流式或离线运行，还能为转写文本加上说话人标签。适合处理会议、通话和媒体音频的人。

Inkling

thinkingmachines · 工具包

读取文字、图片和音频并写出文字，是一个庞大的开放多模态模型，适合编码助手、智能体和聊天机器人。适合有多 GPU 服务器或托管 API 的开发者。

parakeet-tdt-0.6b-v3

nvidia · 工具包

转写 25 种欧洲语言的语音，自动识别语言，并加上标点、大小写和词级时间戳。这是 NVIDIA 的 600M 参数语音转文字模型，面向开发者和转写服务。

gemma-4-E4B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 的小型指令微调 Gemma 4 模型，为在笔记本和手机上运行而设计。

Maya 2 Native

maya-research · 工具包

用 24 kHz 音频朗读 11 种印度语言和英语的文字，边生成边流式输出，带 20 个内置声音和跨语言声音克隆。这是一个可以自己托管的开放 2.5B 文字转语音模型。

gemma-4-E2B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 最小的指令微调 Gemma 4 模型，为手机和笔记本而设计。

MiMo-V2.6-Pro-RL

XiaomiMiMo · 工具包

在一个 1.02T 参数、1M 词元上下文的模型里同时处理文字、图像、视频和音频。它是小米 MiMo-V2.6 系列的旗舰，用大规模强化学习训练，面向编程和智能体工作。

whisper-large-v3-turbo

openai · 工具包

OpenAI 的更快的 Whisper 模型，用于语音识别和语音翻译，有 809M 参数，解码层只有 4 层。适合开发者和需要转写音频的人。

gemma-4-E4B

google · 工具包

Google DeepMind 的 Gemma 4 系列中的 E4B 模型，一个能读文字、图片和音频并输出文字的开放模型，面向笔记本和手机运行而设计。

caramel-1

naklecha · 工具包

这是一个 413M 参数的语音到语音模型，只用对话录音训练，从未见过文本，能进行实时的你来我往。适合语音 AI 研究者和爱好者。

Ming-3.0-tts-0.5B

inclusionAI · 工具包

把文字转成七种语言的语音，包括中文和英文。它能用一段短音频复制声音，按描述设计新声音，并控制情绪、语速、音高和音量。

gemma-4-12B

google · 工具包

Google 的 Gemma 4 12B Unified 模型，是能读文字、图片、音频和视频并输出文字的开放模型，上下文 256K，不需要单独的编码器。适合运行本地 AI 的开发者。

Haas-ja-v1.0

third-intelligence · 工具包

用一个注重速度和准确率的 615.8M 语音识别模型把日语语音转成文字。适合在带 NVIDIA GPU 的 Linux 机器上转写日语音频的开发者和团队。

Inkling-Small

thinkingmachines · 工具包

读取文字、图像和音频并用文字回答，面向开发助手、编程工具和智能体的开发者。这是稀疏混合专家模型，总参数 276B，每个词元激活 12B。

phonon-31m-en

gradium · 工具包

小型英文文字转语音模型，流式输出自然的 24 kHz 音频，可在笔记本 CPU、手机或浏览器标签页里运行。适合想在设备上出声的开发者。

whisper-large-v3

openai · 工具包

OpenAI 的语音转文字模型，能转写多种语言的音频，可以把语音翻译成英文文字，还能加上句子或单词级时间戳，适合任何想把录音变成文字的人。

VoxCPM2

openbmb · 工具包

用 30 种语言和九种中文方言朗读文字，输出 48 kHz，可根据文字描述设计新声音，也能从一小段音频克隆声音。这是面向开发者的开放 2.3B 文字转语音模型。

NVIDIA NemotronLabs RE-USE

nvidia · 工具包

用 NVIDIA 推出的 9.6M 参数小模型，清理任何语言里有噪声或受损的语音录音，适合需要更清晰人声的音频和语音开发者。

embeddinggemma-2

google · 工具包

Google DeepMind 的开源嵌入模型，把文字、代码、图片、视频和音频放进同一个 768 维向量空间，可在笔记本和手机上运行。适合构建搜索和检索的开发者。