funasr

Open-Source-Spracherkennungs-Toolkit für Training, Inferenz, Streaming-ASR, VAD, Interpunktion, Sprecherdiarisierungs-Pipelines und OpenAI-kompatibles/MCP-Serving.

Open-Source-Modell SenseVoiceSmall für ASR in Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch, Spracherkennung, Emotionserkennung und Audio-Ereigniserkennung.

Ein auf FunASR basierendes Tool für Videotranskription, Untertitelgenerierung und LLM-gestützten Schnitt mit lokaler Gradio-Benutzeroberfläche.

Kostenloses Open-Source-Desktop-Tool zum Generieren, Übersetzen, Synchronisieren und Einbrennen von Videountiteln — lokale Whisper-Spracherkennung, KI-Dubbing & Sprachklonierung, offline, GPU-beschleunigt, plattformübergreifend für Windows, macOS und Linux.

Audio- und Videoinhalte schnell extrahieren und in strukturierte Markdown-Notizen umwandeln

Open-Source und kostenlose Alternative zu Wispr Flow | Desktop-Sprach-Workflow der nächsten Generation für Chinesisch, integriert mit lokalem FunASR-Modell und konfigurierbaren großen Sprachmodellen.

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

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

MTools ist eine leistungsstarke, vielseitige Desktop-Anwendung mit integrierten Audio- und Videoverarbeitungs-, Bildbearbeitungs-, Textbearbeitungs- und Codierungstools sowie KI-Erweiterungen. Entwickelt, um Ihren Arbeitsablauf zu vereinfachen und die Produktivität zu steigern.

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.

Echtzeit-Audioübersetzung, die System-Audio und Mikrofon erfasst, ASR (Whisper/SenseVoice) ausführt und via LLM-API mit Streaming-Anzeige übersetzt. Ideal für VTuber, Livestreamer und das Ansehen fremdsprachiger Inhalte.