AI 模型库：从模型能力到产品选择

讯飞星火是科大讯飞大模型，聚焦语音、教育与行业场景。

Whisper Large v3 是被广泛使用的语音识别模型，适合转录、本地化和音频数据流程。

CLAP（对比语言-音频预训练）HTSAT-Fused 是一个学习音频与文本联合表示的模型，支持零样本音频分类和检索。它使用 HTSAT 作为音频编码器，RoBERTa 作为文本编码器，并在 LAION-Audio-630K 数据集上训练。该模型适用于无需针对特定类别预训练的音频分类以及音频-文本检索等任务。

MiniMax ABAB 系列面向长文本与角色扮演对话场景。

Kokoro 82M 是一个拥有8200万参数的文本转语音模型，基于StyleTTS2-LJSpeech微调，支持英语和阿拉伯语。在Hugging Face上已获得超过1670万次下载。