埃隆·马斯克的 AI 公司 xAI 发布了两款音频 API：语音转文本（STT）和文本转语音（TTS）。STT 支持 25 种语言，提供实时和批量转录，错误率为 5.0%。TTS 支持 20 种语言，提供多种声音选择，定价为每百万字符 4.20 美元。这标志着 xAI 进军语音 API 市场。

audiov是一款基于Rust开发的Linux语音转文本软件，利用whisper进行本地语音识别。它支持离线识别，能将文字直接输入到光标处，并通过全局快捷键操作，提供流畅的输入体验。

GStreamer 1.28.1于2026年2月26日发布，新增语音转文本功能、调试插件和AV1解码器支持，修复多个组件问题，增强音频事件配置及WebRTC流功能，提升安全性和播放性能。

IBM与Deepgram合作，将语音转文本和文本转语音功能集成到watsonx Orchestrate中，以满足企业对高性能转录和实时字幕的需求。这使Deepgram成为IBM首个语音合作伙伴，推动了医疗和金融领域的运营自动化和对话式AI技术的发展。

总部位于巴黎的Mistral AI推出了两款语音转文本模型，强调快速、准确和低成本，适合处理敏感数据。Voxtral Transcribe 2系列支持本地运行，满足医疗和金融等行业需求。Mistral重视隐私保护，预计到2026年AI转录将获得用户信任。

Handy是一款简单易用的语音转文本工具，支持Windows、macOS、Linux和NixOS。用户通过快捷键说话，松开后自动转为文字。该工具完全免费、开源，支持离线使用，适合需要快速输入或重视隐私的用户。

微软推出了VibeVoice-ASR，一个开源的语音转文本模型，支持最长60分钟的音频处理，输出结构化文本，包括“谁”、“何时”、“什么”。该模型允许用户自定义热词，以提高识别准确性，适合会议记录和长时间通话。

文章介绍了多个开源AI工具，包括离线语音转文本的Handy、自动化壁纸工具、截图工具Snow Shot、命令行AI工具AionUi、安卓自动化工具Ruto-GLM、本地AI代理Openwork、文本转自然语音的VibeVoice、微信聊天记录分析工具WeFlow，以及谷歌的AI工作流Opal。这些工具提升了用户的工作效率和体验。

作者使用GLM ASR替代OpenAI的murmur进行语音转文本，发现GLM在中英混合语句识别上表现更佳，尽管对OpenAI的依赖令人不满，但GLM的识别率和输出质量令人满意。最终，作者修改了murmur代码以使用GLM ASR。

Deepgram与Amazon SageMaker AI集成，提供流式实时语音转文本和文本转语音功能，简化AWS环境中的语音应用开发，适用于呼叫中心等场景，确保数据安全与合规性，助力企业创新。

Cursor IDE 2.0更新了强大的AI集成功能，新增Composer特性，速度是同类模型的四倍，支持多达8个代理并行运行，界面简洁易用，用户可自定义命令，内置语音转文本功能，提升了代码调试体验。

Shotcut 25.07 发布，新增语音转文本模型下载器，改进了 UI 主题和轮廓视频滤镜，增加了柔焦滤镜、环绕声混音改进及翻译功能。可在 Shotcut.org 下载。

本文介绍了一系列文本转换提示，旨在提升语音转文本和语音应用程序的输出质量。通过大型语言模型（LLM），这些提示能将原始文本重写为特定格式或风格，提高可用性，适用于多种语音应用，帮助用户提取任务列表并生成可预测的输出。

全球语音转文本API市场预计2024年将达到50亿美元，2034年增至210亿美元，年增长率为15.2%。增长因素包括AI语音识别的普及、医疗和法律领域的需求以及智能设备的兴起。尽管面临开发成本和数据隐私的挑战，教育和欺诈检测等领域仍具巨大潜力。主要参与者包括AWS、IBM和Google等。

NVIDIA开发的Parakeet-TDT 0.6B V2是一款高效的英语语音转文本模型，支持最长24分钟音频转录，保留标点和时间戳，适合开发者和研究人员，具备GPU加速功能，提供快速可靠的转录结果。

本文介绍了如何利用Amazon Bedrock和AWS服务，将视频和音频内容转化为可搜索的向量表示。通过提取视频帧、生成多模态嵌入和语音转文本等步骤，构建了一个支持自然语言查询的应用，实现高效检索视频中的特定时刻。

OpenAI推出了新的语音转文本和文本转语音模型，提升了转录准确性，特别在处理口音、背景噪音和语速变化方面表现优异，适合客户支持和多语言对话。开发者可通过API集成并定制AI语音风格。尽管与行业领先者仍有差距，但其易用性和市场份额吸引了开发者。

OpenAI推出了新的音频模型GPT-4o，提升了语音转文本和文本转语音的准确性，尤其在复杂场景中表现优异。开发者可以定制AI的说话方式，适用于客户服务等领域。新模型在多个基准测试中表现出色，错误率更低，支持多语言，并提供API以简化开发，未来将继续优化性能。

OpenAI推出新一代音频模型，具备语音转文本和文本转语音功能，显著提升转录精度和语音风格控制，适用于多种应用场景。该模型在多语言测试中表现优异，定价合理，旨在提升开发者体验和语音交互的情感表达。

2025年3月20日，推出新一代音频模型，提升语音代理的智能和交互能力。新模型具备更精准的语音转文本和文本转语音功能，适用于客户服务和创意叙事等场景，开发者可定制语音风格，增强用户体验，且在多语言环境中表现优异。