AI NEWS · 模型情报站发现能力边界,让每一次选择更有依据 ↗来源可追溯 · 持续更新
THE AI MODEL DIRECTORY 模型探索,从这里开始

找到适合你的 AI 模型。

从语言到影像,从开源到 API。读懂模型能力、比较真实成本,
为你的下一个想法,找到合适的智能引擎。

热门探索
1,837 款模型档案285 家厂商 / 发布者36 个能力分类461 款有可比报价 · 28 款有公开评测
T文本生成▧图像生成▷视频生成⌘代码生成◖语音合成♫音乐生成⬡3D 建模▤文档分析
DISCOVER & COMPARE

探索 AI 模型 22

为你发现值得关注的模型

模型介绍正在从来源补齐,可先查看规格、价格与官方模型卡。

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

XTTS-v2

coqui

模型介绍正在从来源补齐,可先查看规格、价格与官方模型卡。

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

30 second duration clips are priced at $0.04 per clip. Lyria 3 is Google's family of music generation models, available through the Gemini API. With Lyria 3, you can generate...

译文排队中 · 当前显示来源原文

输入 文本 · 图像→ 输出 文本 · 音频
$0 / M 输入 TokenOpenRouter · google/lyria-3-clip-preview
查看详情 ↗
来源 / 文档 ↗

Full-length songs are priced at $0.08 per song. Lyria 3 is Google's family of music generation models, available through the Gemini API. With Lyria 3, you can generate high-quality, 48kHz...

译文排队中 · 当前显示来源原文

输入 文本 · 图像→ 输出 文本 · 音频
$0 / M 输入 TokenOpenRouter · google/lyria-3-pro-preview
查看详情 ↗
来源 / 文档 ↗

Kokoro-82M

hexgrad

模型介绍正在从来源补齐,可先查看规格、价格与官方模型卡。

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

OmniVoice

k2-fsa

OmniVoice is a massively multilingual zero-shot text-to-speech (TTS) model supporting over 600 languages. Built on a novel diffusion language model-style architecture, it delivers high-quality speech with superior inference speed, supporting voice cloning and voice design. - **Paper:** OmniVoice: Towards Omnilingual Zero-Shot Text-to-Speech with Diffusion Language Models - **Repository:** GitHub - **Demo:** Hugging Face Space - **Colab:** Google Colab Notebook - **600+ Languages Supported**: The broadest language coverage among zero-shot TTS models. - **Voice Cloning**: State-of-the-art voice cloning quality from a short reference audio. - **Voice Design**: Control voices via assigned speaker attributes (gender, age, pitch, dialect/accent, whisper, etc.). - **Fine-grained Control**: Non-verbal symbols (e.g., `[laughter]`) and pronunciation correction via pinyin or phonemes. - **Fast Inference**: RTF as low as 0.025 (40x faster than real-time). - **Diffusion Language Model-style Architecture**: A clean, streamlined, and scalable design that delivers both quality and speed.

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

适合对音质要求较高的场景,侧重高保真和录音棚级清晰度,适用于有声书、影视配音、广告旁白、数字人等。

输入 文本→ 输出 文本 · 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

适合对音质要求较高的场景,侧重高保真和录音棚级清晰度,适用于有声书、影视配音、广告旁白、数字人等。

输入 文本→ 输出 文本 · 音频
价格待核验多模态与渠道费用须分别核对
查看详情 ↗
来源 / 文档 ↗

GPT Audio

OpenAI

The gpt-audio model is OpenAI's first generally available audio model. The new snapshot features an upgraded decoder for more natural sounding voices and maintains better voice consistency. Audio is priced...

译文排队中 · 当前显示来源原文

输入 文本 · 音频→ 输出 文本 · 音频
$2.5 / M 输入 TokenOpenRouter · openai/gpt-audio
查看详情 ↗
来源 / 文档 ↗

A cost-efficient version of GPT Audio. The new snapshot features an upgraded decoder for more natural sounding voices and maintains better voice consistency. Input is priced at $0.60 per million...

译文排队中 · 当前显示来源原文

输入 文本 · 音频→ 输出 文本 · 音频
$0.6 / M 输入 TokenOpenRouter · openai/gpt-audio-mini
查看详情 ↗
来源 / 文档 ↗

VoxCPM2

openbmb

模型介绍正在从来源补齐,可先查看规格、价格与官方模型卡。

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

chatterbox

ResembleAI

**Chatterbox Multilingual V3** is the latest general-purpose multilingual TTS model in the Chatterbox family. It keeps the same 0.5B model size while improving speaker similarity, reducing hallucinations, and producing more natural, conversational speech across languages. V3 is designed for broad language coverage like V2, but with stronger stability and more expressive generation. It is the recommended multilingual model for users who want one voice cloning model that works across many languages. Try it in the Chatterbox Multilingual TTS V3 Space. Alongside V3, we are releasing the **Single Language Pack**: dedicated finetunes for priority languages where tighter quality control, stronger language-specific behavior, and more specialized speech generation are valuable.

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗

F5-TTS

SWivid

模型介绍正在从来源补齐,可先查看规格、价格与官方模型卡。

译文排队中 · 当前显示来源原文

语音合成开放权重
输入 文本→ 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 ↗
来源 / 文档 ↗
COST EXPLORER

好模型,也要算好成本。

费用分析

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

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

选型与常见问题
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。

AI NEWS · 从信息到选择

资讯看趋势,工具提效率,模型筑可能。

探索 AI 资讯 ↗发现 AI 工具 ↗