由 OpenAI 推出的多语言语音识别模型，擅长高精度转写和翻译，适合语音转文本、会议记录等场景。

天工 SkyMusic 是一款基于天工 3.0 模型架构的 AI 音乐生成大模型，能够根据歌词、风格和情感生成高质量的双声道立体声歌曲。

VITS 是一种高表现力语音合成模型，结合了变分推理、标准化流和对抗训练。它是一个完全端到端的TTS模型，使用预先训练好的语音编码器将文本转化为语音，并且是直接从文本到语音波形的转换，无需额外的中间步骤或特征提取。

FunASR 是由阿里巴巴达摩院开源的语音识别工具包，包括在大规模工业语料库上训练的模型，提供语音识别、语音活动检测、标点恢复等多种功能。

Coqui TTS 是 Coqui-ai 团队精心打造的一款基于深度学习的文本转语音项目。 它以其开源性和强大功能在 TTS 领域崭露头角。

FastSpeech2 是微软提出的一个快速、高质量的端到端文本转语音(TTS)模型，是 FastSpeech 的改进版本，特别适合于实时语音播报、智能客服等场景。