说话人分离

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。

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。

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。

Meta AI 是 Meta 推出的免费个人 AI 聊天机器人与助手，用户可以在应用内、网页端、AI 眼镜以及 Meta 旗下各应用中使用。它支持提问、做研究、购物和完成各类任务，近期在移动端新增定时任务（Scheduled Tasks）和 Artefacts 版块，可设置每日简报、获取日历帮助并创建交互式 Artefacts。

Nemotron 3 Diarization 是 NVIDIA 在 Hugging Face 发布的开放权重说话人分离模型，参数量约 1 亿，用于判断对话中“谁在何时说话”。单一检查点同时支持离线录音与实时流式推理，最多追踪 8 位说话者并处理多人语音重叠，输入缓冲延迟最低可配至 80ms（推荐最低 0.32s）。模型采用 OpenMDW License 1.1，允许商用，可通过 NVIDIA NeMo Speech 或 NeMo-Speech.cpp 在 Linux 的 NVIDIA GPU 上本地部署。

OpenFit 2 AI 是 Shokz 韶音首款 AI 开放式耳机，以通义千问大模型为底座，集长时录音、语音转写、AI 会议总结与多语种实时翻译于一体。支持8小时双耳录音、49种语言转写、多位发言人区分、12类行业热词词库与19套纪要模板，双击即可标记重点或唤醒耳边AI助理，适用于金融、法律等强沟通办公场景。

Qwen-Audio-3.1 是阿里巴巴 Qwen 团队推出的语音模型系列，含 ASR、ASR-Next、TTS、TTS-Next 与实时交互五款模型。ASR 支持多语言与多地区中文方言识别、长音频转写、说话人分离与文本规范化，可在噪声环境稳定工作；TTS 为生产级语音合成系统，支持 16 种语言、20 个汉语方言区，可按自然语言指令控制情感、语速与风格，最长一次性合成约 3 分钟。

Sarvam AI 是印度主权 AI 平台，专注为印度语言场景提供对话与编程代理产品。已发布 Bulbul V4 文本转语音与 Saaras V4 多说话人语音识别模型，并将推出万亿参数级基础模型。

Xiaomi-CocktailASR-1 是小米推出并开源的工业级目标说话人语音识别（Target-Speaker ASR）大模型，采用端到端 LLM 架构，以目标说话人的一段参考音频作为声纹提示，可在多人同时说话的鸡尾酒会场景中精准提取并仅转录目标用户语音，在 AliMeeting、AMI、LibriMix 等多说话人测试集上达到 SOTA，单人场景比肩标准 ASR；支持非目标说话人拒识（目标不在场时输出空文本）与思维链推理模式，代码与权重已在 GitHub、HuggingFace 开放。