ElevenLabs
ElevenLabs специализируется на работе с речью: синтез текста в голос (TTS) с очень естественным звучанием и распознавание речи (расшифровка аудио в текст).
Для синтеза речи — просто отправьте текст, который нужно озвучить. Для распознавания — прикрепите аудиофайл, текстовый промт для этой модели не требуется.