AI 数字人视频平台。官方方案：Free 每月 3 条，Creator $29，Pro $49 并支持 4K。当前主推一致性模型 Avatar V。

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。

Mistral Voxtral TTS（v26.03）是文本转语音模型，支持零样本声音克隆、9 种语言，首个音频约 90 毫秒；CC BY-NC 4.0，每百万字符 $16。

免费开源的 Claude Code 移动和网页客户端，支持实时语音命令、端到端加密和无缝跨设备同步。Happy 收录于 dev-tools，可对比功能、定价与替代方案。

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。

BreezeBlue 开源的双语语音合成模型，专为实时交互而生。支持免参考音色的语音设计、参考引导的音色指挥，冷启动首音频低于 40ms。

Gemini 3.8 Flash TTS 能用一句话设计全新音色、30 秒样本复刻嗓音，并以 71.4 分拿下 Hume 声音设计榜首位。

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%。

超小神经网络 TTS，参数量 294k 到 2.3M。可在浏览器或约 3 美元的 ESP32-S3 上离线合成。11 个声音、6 种语言，GPL-3.0。

StepAudio 3 Gen 是阶跃星辰的音频生成模型，可根据角色、台词和场景描述组合生成配音、音效、环境音与音乐，适合短视频、游戏及广播剧的声音方案试制。