Mistral Voxtral Mini Transcribe 2（voxtral-mini-2602）是 2026 年 2 月 4 日发布的纯转写音频模型，价格为每分钟 $0.003。

Voxtral Mini Transcribe Realtime 是 Mistral 的开放权重实时语音转文字模型（Apache 2.0，约 4B 参数，13 种语言），2026 年 2 月 4 日发布，$0.006/分钟。

Whisper large-v3 是 OpenAI 的开放权重语音识别与翻译模型，支持 99 种语言，使用 128 个梅尔频带，错误率比 large-v2 低 10% 到 20%。

上一代 Deepgram 语音识别（ASR）模型，官方文档现在优先推荐 Nova-3 与 Flux，不应再被当作 2026 年最快或默认的识别路径。

BaoCut 面向 Apple Silicon Mac，结合本地语音转写、双语字幕、翻译配音与智能体辅助剪辑，支持手动编辑以及通过 Claude Code 或 Codex 执行视频任务。

哔哩哔哩开源的多语言翻译模型家族：覆盖 150 种语言文本、语音字幕、受控配音与长文档翻译，基于 Qwen3.5 构建。

Orukeet 是覆盖 25 种语言的语音识别模型，在 NVIDIA Parakeet TDT 0.6B v3 上冻结拟合的 Gabor 核。

阿里 Qwen-Audio-3.1 语音栈新增 ASR-Next 与 TTS-Next，TTS 登顶 Artificial Analysis 语音合成榜，API 价格最高下调 95%。

浏览器中的研究人员 AI 工作空间，把文献、笔记与 AI 辅助放在一处，覆盖论文阅读、学术写作、数据分析和访谈转录，提供免费及付费方案。

面向 macOS 的 Apache-2.0 应用，可从系统音频生成实时双语字幕、会议记录和按键发言同传。

fcitx5-vinput 是 GPL-3.0 的 Fcitx5 语音输入插件，支持本地或云端 ASR，以及 Linux 上的 LLM 润色。

隐私优先的本地 AI 会议助手：在你自己的设备上完成转写、说话人分离与总结，支持 Ollama，会议数据默认不离开设备。

Tapestry 系列中的 YouTube 字幕 Skill：用 yt-dlp 下载字幕，没有字幕时在本地用 Whisper 转写，最后输出去重后的纯文本，便于阅读和交给 Claude 分析。