给 AI 分个类的话，普通人视角该怎么分？顺便求教各领域的顶流模型

我自己分了 音声、视觉、语言 三个类型，不知道合不合理。 ^-^(不过感觉当前多模态已经把我自己分的这个界限变得模糊不清了)

如果这样分的话，又可以每个类型又可以细分一下，拿音声举例，我又分成下列的几个方面，然后让搭载着全球最大搜索引擎——谷歌搜索的美国豆包来回答。(用的是ai studio里的gemini 3.5flash，思考：high，提示词强制联网搜索)

• 语音合成（TTS）：目前闭源比较强的是 ElevenLabs 和 MiniMax (Speech-02 HD)；开源则是 Qwen3-TTS。


• 语音识别与转写（STT）：OpenAI Whisper (Whisper-large-v3)。


• 声音克隆/转换： VoGen 以及开源的 F5-TTS / Fish Speech。


• AI 音乐生成：Suno AI 和 Udio。

欢迎佬们来讨论。

这种“音声、视觉、语言”的分法太局限了，不知道佬们怎么分类。接触AI没那么深只能这样按自己的理解分一下。