语音转录

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。

APX（Agent Project eXecutable）是 APC 协议的参考实现，由本地守护进程、CLI 与网页管理台组成，让 AI 智能体基于同一份可移植项目上下文运行。它可把请求路由到 Claude Code、Codex、OpenCode 或 Aider 并支持逐级回退，智能体记忆与会话以纯文件保存在 .apc/ 上下文中，无需数据库，并提供会话、消息日志与项目管理命令。

GitHub Copilot是一款面向程序员的AI编程辅助工具。它深度集成于主流编辑器、命令行与GitHub平台，通过读取工作区上下文提供实时代码补全、函数生成与文档答疑。开发者可按需切换不同大语言模型，或将任务指派给云端代理在后台自主规划与执行。工具同时内置代码审查、项目知识库定制及企业级用量管控，有效减少重复劳动并加速软件交付

Gemini是Google打造的生成式AI助手，能够帮助用户完成写作、规划与头脑风暴等核心任务。该工具支持70种以上语言的实时语音到语音翻译，具备流式连续音频生成与自动语种检测功能，可精准保留原始语调、语速和音调，并拥有出色的强抗噪能力。借助生成式AI技术，用户可流畅开展跨语言交流、内容生成及多场景智能协作

Grok 是由 xAI 构建的 AI 助手，支持聊天对话、图像创建、代码编写，并能从网络和 X 平台获取实时信息回答用户问题。订阅用户可通过 Grok Heavy 等套餐获得 X Premium+ 等增值权益。

通义千问（Qwen）是阿里巴巴云开发的大语言模型系列，提供对话助手、代码生成、智能体工具调用、256K至100万token长文本理解、多语言翻译和创意写作等能力。模型涵盖Dense和MoE架构，支持思考与非思考模式切换，可通过Qwen Chat、API及多种推理框架使用。

Rescript 是一款开源的、基于文字稿（transcript）的浏览器端视频编辑器，被视为 Descript 的免费替代品。用户拖入视频后，工具在本地通过 Whisper 模型生成带逐词时间戳和说话人标签的文字稿，删除文字稿中的词语即自动剪掉对应视频片段，并支持一键去除语气词、按说话人分组、波形时间线和实时跳过剪辑的预览，最终用 ffmpeg.wasm 在浏览器内导出 MP4，全程离线、视频不离开设备。

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。

DeepSeek Harness（dsh）是 DeepSeek AI 开发的开源 Agent harness，采用“万物皆插件（everything is a plugin）”的架构，基于 Cordis 框架构建，目前处于开发者预览阶段。可通过 npx @deepseek-ai/dsh web 启动默认运行在 127.0.0.1:3080 的 Web UI，也支持从源码构建运行，采用 MIT 许可证，并开放 GitHub Discussions 与 Discord 社区。

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。

GPT-Transcribe 是 OpenAI 推出的语音转文字模型，面向已完成音频文件、流式文件转录以及 Realtime 会话中通过 WebSocket 提交的对话轮次。它支持非结构化上下文、关键词提示和多语言提示，以提升对专业术语、多语言音频和语言切换场景的转录准确度，可通过 API 调用集成到异步和批量转录工作负载中。

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。

Hermes Agent (Nous Research) 是开源（MIT）自进化 AI 智能体，内置学习回路：从经验中自动创建技能、持续改进、留存知识、检索自身历史对话，并跨会话构建更深的用户模型。可在低价 VPS、GPU 集群或 serverless 运行，并提供 Hermes Desktop 桌面端。近期 Bot Mode 将单一对话列表替换为一组命名机器人，每机器人拥有独立聊天、记忆、技能、固定模型与持久化 Agent Inbox，可通过 @提及 交接工作。

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。

StemDeck 是一款免费、开源且完全本地运行的音轨分离工具，无需账号、上传或订阅，可将 MP3、WAV、FLAC 等音频或 YouTube 链接分离为人声、鼓、贝斯、钢琴、吉他等最多 6 个独立音轨，面向音乐人、制作人和爱好者，用于练习、转录、混音及创意音频工作流。

Wispr Flow 是一款语音转文字听写工具，可在 Mac、Windows、iPhone 与 Android 上的任意应用内把口述内容实时转成整理后的书面文本，自动修正口语重复与语病。官方称输入速度可达键盘打字的 4 倍，支持 100 多种语言、自定义词典与片段，Pro 版还提供用于编辑的 Command 模式，适合写作、写代码与日常消息场景。

Baseten 是美国 AI 基础设施公司，提供高性能模型推理平台，可将自定义、微调与开源模型部署到生产环境。平台内置自定义内核、先进解码技术与缓存的推理栈，支持跨区域跨云扩缩、冷启动与 99.99% 可用性，并提供预优化模型 API（含 Kimi K3、GLM-5.3、DeepSeek 等）、RL 训练、图像生成与语音转录能力，支持单租户与自托管部署。

Castor 是一款开源的视频投屏命令行工具，使用 Go 语言开发。它通过无头 Chrome 从网页中自动定位真实视频流，经 ffmpeg 实时转码后，通过 DLNA/UPnP 协议投射到智能电视、Kodi、VLC 或 Plex，无需 Chromecast 或 AirPlay，号称无延迟。支持 Homebrew 安装，当前最新版本 1.4.1。

chess-postmortem-skills 是作者 brumar 开源的一套 Claude Code 技能包，用于国际象棋对局复盘。它自动驱动 Stockfish 引擎扫描 PGN，用通俗语言解释失误原因；用 whisper.cpp 在本地转录玩家对弈时的思考录音，依据棋钟时间将语句匹配到具体走子，最终生成带英文字幕旁白的整局解说视频、注释版 PGN 与 HTML 查看器。玩家还可持续追问任意局面，技能会先经引擎校验再作答。

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。

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。

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。

Fireflies 是一款 AI 会议记录与转录工具，可对 Zoom、Google Meet、Teams 等会议进行录音与高精度转录，支持 100 多种语言、说话人识别和自动语言检测，并能生成摘要、提取行动项、自动填充 CRM 与项目管理任务。它提供 AskFred AI 助手、200+ AI Skills、邮件助手以及 Slack 等 200 多种工作工具集成，面向个人和企业团队，具备 SOC 2、GDPR、HIPAA 等企业级安全能力。