Voice to Instrument — AI 工具，将人声录音转换为器乐曲目。上传歌声或录音，AI 自动生成钢琴、吉他、鼓等器乐伴奏。

音频转文字工具 — AI 音频转文字，快速、精准、安全的转写服务

zxhywork · V2EX

SayScribe AI - 音频转文字的在线工具 花了几周搞了一个基于 OpenAI Whisper 的 AI 转录工具 **[SayScribe]( https://sayscribe.org)**，目前 5 个工具全部免费，每天 3 次无需注册。上线前请 SEO 专家做了一轮诊断，踩了不少坑，分享出来给同样在做工具站的 V 友参考。 --- ## 做了什么 核心工具是 **[Audio to Text Converter]( https://sayscribe.org)**（主页），上传音频/视频文件，AI 自动转成带 speaker labels 和时间戳的文字稿。选这个词的原因是：Google 第一页有个 DR 只有 10 的小站排第三，KD 才 20.2 ，链接预算只要 15-35 个引用域就能进前十——典型的弱盘面蓝海。 然后在主页基础上拆了 4 个子工具，每个打一个独立搜索词： - **[MP3 to Text]( https://sayscribe.org/mp3-to-text)** — 只转 MP3 。KD 41.7 比主页难一些，但

zhw2590582 · V2EX

最近对网站进行了重构，做成了免费的视频工具站：[ArtPlayer Tools]( https://artplayer.org/tools/) 主要是围绕着 ffmpeg.wasm 和 mediabunny 实现的一些可以直接在浏览器里用的视频/音频工具，常用的有： - 视频压缩：[Compress Video]( https://artplayer.org/compress-video/) - 视频裁剪：[Crop Video]( https://artplayer.org/crop-video/) - 视频合并：[Merge Video]( https://artplayer.org/merge-video/) - 视频尺寸调整：[Resize Video]( https://artplayer.org/resize-video/) - 视频旋转：[Rotate Video]( https://artplayer.org/rotate-video/) - 视频调速：[Change Video Speed]( https://artplayer.org/change-video-speed/) - 添加文字到视频：[Add Text to Video]( https://artplayer.org/add-text-to-video/) - 添加水印：[Watermark Video]( https://artplayer.org/watermark-video/) - 提取字幕：[Subtitle Editor]( https://artplayer.org/subtitle-editor/) - HLS 转 MP4：[HLS to MP4]( https://artplayer.org/hls-to-mp4/) - 音频可视化：[Audio Visualizer]( https://artplayer.org/audio-visualizer/) 大部分工具都是本地处理，文件不会上传到服务器。最开始是因为自己偶尔要处理一些视频，开剪辑软件又有点重，在线工具又担心隐私，所以就慢慢做成了一个站。 目前还在持续完善，体验肯定还有不少粗糙的地方，比如不同浏览器的兼容、移动端操作、长视频性能之类的。 网站： [ArtPlayer Tools]( https:

Gliss — AI Music Agent，用于歌曲生成、翻唱、MIDI 编辑、母带处理与封面艺术；可生成免版税人声与伴奏，并支持精确分轨/元素提取。

lisheng3698 · V2EX

我把摄像头变成了乐器：从手势识别到 Web Audio，分享 5 个真正踩过的坑 最近做了一个有点不一样的浏览器小项目：用摄像头识别双手动作，再把手的位置和姿势映射成和弦、音高、音量和音色。 不需要安装软件，也不需要麦克风。打开网页、允许摄像头后，就可以隔空演奏。 项目地址：[GestureSynth.me]( https://gesturesynth.me/) 建议使用最新版 Chrome 或 Edge 。摄像头画面只在本地处理，不会上传。 ## 真正难的不是“识别到手” 最开始我以为，只要 MediaPipe 能返回手部关键点，剩下的事情就是把坐标转换成音符。 实际做下来发现：**识别出一只手很容易，让它变成一个“能演奏”的控制器才难。** 摄像头每一帧都会返回一组手部关键点，但这些坐标会轻微抖动，偶尔还会丢失。如果直接把原始坐标连接到音高或者音量，听起来会非常不稳定。 最后形成的处理链路大致是： ```text 摄像头 → 手部关键点识别 → 提取手掌位置、距离和手势 → 平滑、死区和状态保持 → 映

AI Stem Splitter — AI 音轨分离器

@Mahima_Akkina · X

Yes, you can check - It's a tool used to convert both and video into text and summaries

CraftMusic AI — AI 音乐和歌词生成器，从提示词、歌词想法或项目需求生成歌曲与纯音乐，支持风格控制、草稿比较和下载

@factfile0 · X

@creativeaigrl · X

@coder_zi · X

Clipifai converts e-books to audiobooks say you have a few books in mind to read, but haven't really had the time to read them, you could just convert them into audiobooks and listen to them on the go...