基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗DISCOVER & COMPARE
探索 AI 模型 343
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xm_transformer_s2ut_en-hk
facebook基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xm_transformer_s2ut_hk-en
facebook基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xm_transformer_sm_all-en
facebook基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xm_transformer_unity_en-hk
facebook基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xm_transformer_unity_hk-en
facebook基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗FireRedLID
FireRedTeam基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗campplus-coreml
FluidInference基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗SAGE
francescobrigante基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗campplus
funasr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗wav2vec2-deepfake-voice-detector
garystaffordFine-tuned Wav2Vec2 model for detecting AI-generated speech. Determines if audio was spoken by a human or created by AI text-to-speech/voice cloning software. Fine-tuned Wav2Vec2 transformer for binary audio classification (real vs AI-generated speech). Trained to distinguish authentic human speech from synthetic audio generated by AI text-to-speech and voice cloning services including: **Note:** This model uses transfer learning from a base model already trained for deepfake detection. Fast convergence is expected due to task similarity and TTS engine overlap with the base model's training data.
译文排队中 · 当前显示来源原文
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗This model combines the SpeechBrain ECAPA-TDNN speaker embedding model with an SVM classifier to predict speaker gender from audio input. The model was trained and evaluated on the VoxCeleb2, Mozilla Common Voice v10.0, and TIMIT datasets The model was trained on VoxCeleb2 dataset: - Training set: 1,691 speakers (845 females, 846 males) - Validation set: 785 speakers (396 females, 389 males) - Test set: 1,647 speakers (828 females, 819 males) - No speaker overlap between sets - Audio preprocessing: - Converted to WAV format, single channel, 16kHz sampling rate, 256 kp/s bitrate - Applied SileroVAD for voice activity detection, taking the first voiced segment
译文排队中 · 当前显示来源原文
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗lang-id-voxlingua107-ecapa-gguf
handy-computerPorted from upstream commit 0253049, pinned 2026-10-05. Validated against the SpeechBrain reference at transcribe.cpp commit aa4d0f47 on 2026-10-08. Spoken language identification over 107 languages: SpeechBrain's ECAPA-TDNN trained on VoxLingua107. NOT a transcription model: a run returns the model's language labels ranked by probability, optionally restricted to a caller-chosen set. Takes 16 kHz mono WAV; scores up to the first 30 s of a clip. Top-1 accuracy on FLEURS multilingual (3,000 utterances), scored on cpu. Measured at transcribe.cpp `cf62265a` on 2026-10-08.
译文排队中 · 当前显示来源原文
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗silero-vad-v6.2-gguf
handy-computerPorted from upstream commit 5cd7945, pinned 2026-10-09. Validated against the silero-vad 6.2.3 (TorchScript, CPU, F32) reference at transcribe.cpp commit 2674b95d on 2026-10-10. Voice activity detection by the Silero Team. Not a transcription model: the VAD role produces per-frame speech probabilities (offline or streaming) and offline speech segments. CPU is the default backend for reference fidelity. transcribe.cpp also loads whisper.cpp's `ggml-silero-v5.1.2.bin` / `v6.2.0.bin`. From the C API, use the VAD role (`include/transcribe/vad.h`): offline segments with `transcribe_vad_run`, live per-frame probabilities with `transcribe_vad_stream_feed`.
译文排队中 · 当前显示来源原文
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xlsr-wav2vec-speech-emotion-recognition
harshit345基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗MuLaCover
HeartMuLa基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗This model is a fine-tuned version of facebook/wav2vec2-base on the audiofolder dataset. It achieves the following results on the evaluation set: - Loss: 0.2288 - Accuracy: 0.9545
译文排队中 · 当前显示来源原文
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗xcodec2
HKUSTAudio基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 音频→ 输出 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗yamnetp_ahead_ds
hzhongresearch基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 音频→ 输出 待核验
价格待核验多模态与渠道费用须分别核对
查看详情 ↗暂未找到匹配模型
可以调整厂商、分类或输入输出条件；新模型正持续收录。
COST EXPLORER
好模型，也要算好成本。
调整月度 Token 用量，直观比较不同模型的预估 API 开支。
1 M = 100 万 Token · 美元计价
仅比较同一渠道的基础文本 Token 报价
仅比较同一渠道的基础文本 Token 报价
使用已采集且单位可比的 USD / 百万 Token 渠道报价。报价为采集时快照；不计缓存优惠、阶梯价、推理额外输出与税费，请以来源的当前报价为准。
MODEL HANDBOOK
读懂模型，再做选择
API 价格应该怎么比较？+
先区分输入、输出和缓存价格，再使用同一任务和用量估算总费用。图像、音频和视频可能按张、时长或分辨率计费，不能直接与 Token 单价比较。
开放权重，就代表可以免费商用吗？+
不一定。必须逐一核对具体模型版本的许可证、商用限制及使用政策。自己部署还需要考虑显存、推理资源和运维费用。
排行榜第一，就是最适合我的模型吗？+
榜单取决于测试任务、版本与评测方法。建议用实际业务样本比较准确性、时延、稳定性和成本，再选择模型。