asr

Echtzeit-Spracherkennung und Spracherkennungs-Erkennung (VAD) mit der nächsten Generation von Kaldi und ncnn ohne Internetverbindung. Unterstützt iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A usw.

Bailing ist ein GPT-4o-ähnlicher Sprachchatbot, der über ASR+LLM+TTS realisiert wird, hervorragende große Sprachmodelle wie DeepSeek R1 integriert und openClaw anbindet.

Speech Note Linux-App. Notizen erstellen, lesen und übersetzen mit Offline-Spracherkennung (Speech-to-Text), Sprachsynthese (Text-to-Speech) und maschineller Übersetzung.

Analysieren von Videos mithilfe von LLMs, Computer Vision und automatischer Spracherkennung

🎙️ KI-Diktier-App – Open Source und Local-First ⚡ 3x schneller tippen, keine Tastatur erforderlich. 🆓 Angetrieben von Open-Source-Modellen, offline funktionsfähig, schnell und präzise.

Open-Source-LLM-basiertes ASR-Modellfamilie für Chinesisch, Dialekte, Akzente und mehrsprachige Sprache, mit FunASR, vLLM, Streaming- und llama.cpp-Runtimes.

🍦 Speech-AI-Forge ist ein rund um TTS-Generierungsmodelle entwickeltes Projekt, das einen API-Server und ein Gradio-basiertes WebUI implementiert.

Synchronisierte Übersetzung für Videos. Videovertonung

Steuerbare Transkription. Wortgetreu (jede Füllwörter, Pausen, Stottern, Vokallaute) oder beabsichtigt (was der Sprecher sagen wollte, optimiert für Lesbarkeit) mit Zeitstempeln auf Wortebene.

Natürliche Sprachgespräche mit Claude Code

Interaktiver digitaler Mensch in Echtzeit mit anpassbarem Erscheinungsbild und Stimme, Unterstützung für Stimmenklonen und einer Dialogverzögerung von nur 3 Sekunden.

StreamSpeech ist ein All-in-One-Modell für nahtlose Offline- und Simultanspracherkennung, -sprachübersetzung und -sprachsynthese.

WebSocket-, gRPC- und WebRTC-Spracherkennungsserver basierend auf Vosk- und Kaldi-Bibliotheken

Feinabstimmung des Whisper-Spracherkennungsmodells zur Unterstützung des Trainings ohne Zeitstempeldaten, mit Zeitstempeldaten und ohne Sprachdaten. Beschleunigt die Inferenz und unterstützt Web-, Windows-Desktop- und Android-Bereitstellung

KI-Sprach-Toolkit für Apple Silicon – ASR, TTS, Speech-to-Speech, VAD und Diarisierung, angetrieben durch MLX und CoreML

Erste für die reale Welt entwickelte ASR-Grundlage – 7 atomare akustische Bedingungen, 54 zusammengesetzte Szenarien, 2,6 Mio. Samples und bis zu ca. 30 % Leistungssteigerung gegenüber SOTA, wo alle anderen Modelle versagen. **Du wirst zu MEGA-ASR zurückkehren, nachdem die anderen im Praxistest versagt haben. ⭐**

[Inoffizielle] PyTorch-Implementierung von „Conformer: Convolution-augmented Transformer for Speech Recognition“ (INTERSPEECH 2020)

SGLang-Omni ermöglicht hochleistungsfähiges Serving für TTS-, ASR-, Sprach- und Omni-Modelle.

Offline-Spracherkennung für Android mit der Vosk-Bibliothek.

Open-Source-Fähigkeit zur Videoübersetzung

Vollständig lokale, private und plattformübergreifende Spracherkennung (Speech-to-Text) mit LLM-Nachbearbeitung

Ein Python-Wrapper für Kaldi

Speech-to-Text-Server-Framework mit Kaldi der nächsten Generation

Espresso: Ein schnelles End-to-End Neural Speech Recognition Toolkit

VocoType ist ein datenschutzfreundliches, lokales Spracheingabetool, das Sprache über Tastenkombinationen in Echtzeit in Text umwandelt und automatisch in die aktuelle Anwendung einfügt. Es unterstützt Speech-to-Text-MCP, KI-Textoptimierung, benutzerdefinierte Ersetzungswörterbücher, Audio-/Video-Transkription und weitere Funktionen, die die Spracheingabe effizienter und sicherer machen.

Dieses Projekt stellt eine API mit Unterstützung für benutzerbasierte Zugriffskontrolle bereit, um Sprache mit einem feinabgestimmten und verarbeiteten Whisper-ASR-Modell in Text umzuwandeln.

🔥🔥🔥 Kostenlose Offline-KI-Algorithmen-Toolbox für Java mit Unterstützung für Gesichtserkennung, Liveness-Erkennung, Gesichtsausdruckserkennung, Objekterkennung, Instanzsegmentierung, Fußgängererkennung, OCR-Texterkennung, Nummernschilderkennung, Tabellenerkennung, ASR+TTS, maschinelle Übersetzung und mehr. Einfach über Maven einbinden. Unterstützt PyTorch, TensorFlow und integriert gängige Modelle wie Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR (PPOCRv5), Whisper usw.

Ein benutzerfreundliches Toolkit für Spracherkennung, -transkription, -konvertierung usw.

End-to-End-Mandarin-Spracherkennung basierend auf PaddlePaddle, von den Grundlagen zur Praxis: ein super einfaches Einstiegsbeispiel und ein hochpraktisches Unternehmensprojekt. Unterstützt die aktuell beliebtesten Modelle DeepSpeech2, Conformer und Squeezeformer.

GLM-ASR-Nano: Ein robustes Open-Source-Spracherkennungsmodell mit 1,5 Milliarden Parametern