语音合成

Experiential 是一个面向智能体工作流的开源网关与路由器，通过一个 OpenAI 兼容 API 统一托管、BYOK 和本地模型。它支持按用户、智能体、用例及预算控制模型访问，并可将生产流量转化为针对质量、速度和成本优化的自定义路由器或模型。项目支持本地部署（pip install experiential）及托管平台，默认启用匿名聚合遥测。

ResceneAgent（Rescene Agent OS）是一款本地优先的开源自迭代智能体操作系统，聚合多家免费模型并提供智能路由与熔断自愈，可用一条 marathon 命令抓取 Hacker News/GitHub 热点自主选题，按需求→计划→自检闭环迭代交付；同时具备联网自学写入记忆文件，以及内置 54 个设计系统参考的前端设计能力。

Blume 是 Hayden Bleasel 开发的开源文档框架，MIT 许可证。将 Markdown 或 MDX 放入文件夹即可零配置生成生产级文档站点，内置导航、搜索、主题和 Open Graph 图片。底层驱动隐藏的 Astro + Vite 项目，支持 eject 导出为独立 Astro 应用。AI 特性包括 llms.txt 输出、每页 Markdown、MCP 服务器及 Ask AI 助手。支持 Notion/Sanity 远程源、36 种语言本地化、Scalar 渲染 OpenAPI。

Runway 是基于自研 Real-World Intelligence 模型构建的云端 AI 创意平台，在同一工作区内提供视频、图像与音频的生成和编辑能力，聚合 Gen-4.5、Seedance、Nano Banana Pro、Lyria 3、Text to Speech 等大量模型。支持改光影、换风格、增删画面元素等指令式视频编辑，并可搭建节点式自定义 Workflows 串联多模型、多模态与中间步骤，面向个人与各规模团队。

Buzz 是 Block 开源的自托管工作空间，将团队聊天、AI 智能体、工作流与 Git 托管整合进同一身份系统。底层基于 Nostr 中继，所有消息、工作流步骤、代码评审与 git 事件均为同一日志中的签名事件。智能体可像人一样打开仓库、提交补丁、评审代码、运行工作流并参与语音讨论。

ElevenLabs 是 AI 语音与音频生成平台，自研基础模型，提供文本转语音（支持 29+ 语言、低延迟对话）、声音克隆、实时语音转录（Scribe）、音效生成、人声分离，以及与唱片公司和出版商合作打造、可商用的 Music API / Eleven Music 音乐生成模型；同时提供 ElevenAgents 实时对话式语音智能体，并面向开发者开放 API，采用免费加付费套餐模式。

FLUX 3 是 Black Forest Labs 发布的多模态基础模型，基于 Self-Flow 方法在单一架构中联合学习图像、视频与音频，同一组权重即可输出图像、视频、带原生音频的视频以及机器人动作预测。FLUX 3 Video 可单次生成长达 20 秒、带原生音频的视频。模型提供 API、Playground 在线试用与开放权重部署，支持按需付费与商业授权，面向内容创作与物理 AI 场景。

Gemini 3.8 Flash 是 Google DeepMind 推出的最新工作主力推理与代码模型，在 3.7 Flash 基础上显著提升软件工程、智能体任务与跨领域多步推理能力，常接近更高成本前沿模型表现且保持同等速度与成本。它支持长周期自主编程，在 DeepSWE v1.1 上以极低成本端到端解决复杂工程问题，并在 Vals Finance Agent、Harvey 法律智能体基准上表现优异，通过 Gemini API、AI Studio 与 Android Studio 使用。

华为 HarmonyOS 7 面向开发者开放的系统级能力集合，官方页面列出小艺 Agent、小艺 Skill、文搜图等应用智能化能力，沉浸光感组件与 3DGS 端侧重建推动应用界面从平面走向立体，碰一碰·精准分享实现素材精准插入指定位置，互动卡片与应用浮窗承载多形态服务窗口，并由星盾机密风控引擎、数字盾守护用户隐私安全。

Higgsfield AI 是一个 AI 原生创意套件，支持用户通过文本提示或参考图生成图像、视频和语音内容，并可编辑和放大媒体。平台内置 AI 智能体可自动化创意工作流，支持网页和移动端。近期发布了 After Effects MCP/插件，由 Fable 5 驱动，允许用户在 AE 项目内直接调用 Claude，自动构建合成、设置关键帧、编写表达式并运行 ExtendScript 重复工作，所有生成内容均为可编辑的 AE 场景。

OpenMinis 是一款免费开源的移动端 AI Agent 应用，支持 iOS 与 Android。它允许用户接入自己的 Claude、GPT、Gemini 等模型（API Key 或账号登录），并在设备本地运行 Alpine Linux 沙箱，让 Agent 能安装软件包、执行脚本、操作真实文件、进行浏览器自动化，并深度集成健康、日历、提醒事项、HomeKit 等系统能力。支持可扩展 Skills 与跨会话持久记忆，代码以 GPLv3 开源。

Screenpipe 是一个开源、本地优先的 AI 记忆层工具，24/7 捕获用户屏幕、音频和操作行为，将真实工作转化为可搜索记忆、SOP、会议跟进、每日总结和个人 CRM，并支持生成 AI 智能体。用户可控制录制范围、排除特定应用和窗口、自主选择数据存储位置，确保隐私安全。企业可跨机器映射重复工作流，保留流程知识并暴露瓶颈。GitHub 获 20K+ 星标、130+ 贡献者，由 YC S26 支持。

Adobe Firefly 是 Adobe 的一站式 AI 创意工作室，可通过文本提示生成并编辑图像、视频、音频与矢量图，并集成 Google、ElevenLabs、Kling AI、Luma AI、OpenAI、Runway 等第三方模型。2026年8月音频工具全面开放：生成免版税音乐、配音、场景音效，输出可商业使用；AI Assistant 提供每日免费生成并新增支持多模态输入的 Gemini Omni Flash 模型。

AnythingLLM 是 Mintplex Labs 开源的一体化本地优先 AI 平台（MIT 许可），以桌面应用或 Docker 容器运行。支持文档聊天与 RAG 问答、无代码 Agent Flows 智能体构建、完整 MCP 兼容、多模态输入和可嵌入聊天组件，兼容 30 多家 LLM 服务商和多种向量数据库，支持多用户与权限管理，数据保留在用户本地环境，适合注重隐私的个人与团队。

AuK 是腾讯混元开源的语音基础模型，用单一接口统一语音生成与编辑：输入自然语言指令与参考音频即可完成零样本 TTS、指令控制生成、内容与音色/风格/情感编辑、去口音、语速音调控制、增强去噪，以及多说话人和音乐分离。代码与模型权重已在 GitHub 开放，并提供 4 步推理的 AuK-Flash 版本，支持 HuggingFace、ModelScope 在线体验及 SGLang-Omni 部署。

Cartesia 是基于状态空间模型（SSM）构建的实时语音 AI 平台，提供流式文本转语音（TTS）与语音转文本（STT）模型，主打低延迟语音智能体场景。其 Sonic 系列 TTS 主打 sub-90ms 首音频时间，支持内联表情标记、自定义发音词典以及速度/音量/情绪参数，可通过 API 与 LiveKit Agents 插件集成。模型可在云、私有化与端侧部署，面向语音代理、客户交互与内容本地化等生产场景。

Clipchamp 是微软旗下的在线视频编辑器，可在浏览器或 Windows 桌面端完成视频录制、剪辑与高清导出，无需专业经验。内置 AI 配音、80 多种语言自动字幕、降噪去停顿等 AI 音视频编辑工具，并提供免版税素材与模板。2026 年 9 月新增本地 AI 视频超分辨率，可借助 CPU 或 Copilot+ PC 的 NPU 将视频提升至最高 4K。提供免费版，高级功能随 Microsoft 365 订阅开放。

ComfyUI是一款面向视觉专业人员的AI创作引擎，通过强大的模块化节点图界面，让用户无需编写代码即可实验和创建复杂的Stable Diffusion工作流。它原生支持SDXL、Flux、Qwen Image等多种图像模型，可生成图像、视频、3D模型和音频等内容。ComfyUI支持Omnigen 2、Flux Kontext等图像编辑模型，具备Inpainting、ControlNet、Upscale Models等功能，可对图片进行局部修改、扩图和超分辨率放大等操作。其智能内存管理可在低至1GB显存的GPU上自动运行大模型，并提供异步队列系统仅重新执行工作流中变化的部分。ComfyUI可在Windows、Linux和macOS上本地运行，也提供官方云端版本，并能通过API端点无缝集成到生产流程中

CosyVoice 是基于通义自研 Qwen-Audio 音频大模型的 AI 语音平台，包含语音记录 CosyFlow、音频创作 CosyCreative 与语音智能体 CosyAgent。CosyFlow 提供实时高质量语音转文本、自动过滤口语填充词、方言识别与口述成稿；CosyCreative 支持从想法生成播客与有声书、音色复刻、多角色多语言配音及多轨音频编辑。

DaVinci Resolve 是 Blackmagic Design 推出的一体化专业视频后期软件，21 版本将剪辑、调色、视觉特效、动态图形、Fairlight 音频后期与新增照片页整合在同一应用中。内置 DaVinci AI 神经引擎，提供 IntelliSearch 内容搜索、AI 语音生成、CineFocus 焦点调整、人脸年龄变换与瑕疵去除等 AI 工具，支持 32-bit 浮点 HDR 调色及沉浸式 VR 工作流，面向电影、电视与流媒体制作团队。

Dina 是一款原生 macOS 屏幕录制与视频制作应用，集录屏、剪辑、音频清理、配音、字幕与标注于一体。它支持基于转录文本的剪辑，AI 自动去除口头禅与静音，可用文字转语音生成自然配音，支持快捷键自定义、背景与间距调整及高清导出；智能功能由本地 Core ML 模型驱动，可完全离线运行。4.5 版本新增精美截图、电影感 3D 运动与透视动画，并可通过链接即时分享。采用买断制授权，每设备 58 美元，含终身免费更新。

Google Vids 是 Google Workspace 中的 AI 视频创作与编辑工具，用户可通过文本提示和参考图片生成视频，使用 Gemini Omni 多模态模型进行背景替换、光线修复和特效添加，支持逐步编辑。2026年更新后支持上传自拍和录音创建个性化数字分身，可让用户在自己的视频中出镜。

Grok Build 是一款强大且可扩展的编程智能代理。用户可通过交互式终端界面获得全屏编码体验，或在脚本与自动化流程中以无头模式运行，亦能借助 Agent Client Protocol 集成至其他应用中。该工具支持通过 API 密钥或浏览器进行身份验证，允许在配置文件中添加并切换任意自定义模型，并提供指令直接解析代码库架构与文件逻辑，满足开发者在本地项目中的高效辅助编码需求

Grok Voice 是 xAI（SpaceXAI）推出的最新语音模型，已在 fal 平台上线并可通过 API 调用。它能在 0.70 秒内应答、在句子结束前完成工具调用，适合构建低延迟语音智能体；支持带词级时间戳的语音转录、覆盖 25 种以上语言与 30 种以上音色的文本转语音，以及用两分钟音频完成声音克隆，面向客服等实时语音场景。