speech-recognition

🤗 Transformers: das Framework zur Modelldefinition für state-of-the-art Machine Learning Modelle in Text, Vision, Audio und multimodale Modelle, sowohl für Inferenz als auch für Training.

Port des Whisper-Modells von OpenAI in C/C++

Schnellere Whisper-Transkription mit CTranslate2

WhisperX: Automatisches Spracherkennungs‑System mit Wort‑genauen Zeitstempeln (& Diarization)

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

🧠 Leon ist Ihr persönlicher Open-Source-Assistent.

kaldi-asr/kaldi ist der offizielle Ort des Kaldi-Projekts.

Offline-Spracherkennungs-API für Android, iOS, Raspberry Pi und Server mit Python, Java, C# und Node.

Modernste Deep-Learning-Skripte, organisiert nach Modellen – einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Infrastruktur für den Unternehmenseinsatz.

Tauchen Sie ein in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision und NLP anhand dieser spannenden Vorlesungen!

Gradio WebUI für Creator und Entwickler mit wichtigen TTS-Funktionen (Edge-TTS, kokoro) und Zero-Shot Voice Cloning (E2 & F5-TTS, CosyVoice), inklusive Whisper-Audioverarbeitung, YouTube-Download, Demucs-Gesangsisolierung und mehrsprachiger Übersetzung.

Benutzerfreundliches Speech Toolkit mit selbstüberwachtem Lernmodell, SOTA/Streaming-ASR mit Interpunktion, Streaming-TTS mit Text-Frontend, Sprecherverifizierungssystem, End-to-End-Sprachübersetzung und Keyword-Spotting. Gewinner des NAACL2022 Best Demo Award.

Ein PyTorch-basiertes Speech-Toolkit

Echtzeit-Sprach-zu-Text (lokal) mit Streaming-ASR, Sprecher-Diarisierung, Übersetzung und OpenAI/Deepgram-kompatiblen APIs.

OpenVINO™ ist ein Open-Source-Toolkit zur Optimierung und Bereitstellung von KI-Inferenz

End-to-End-Sprachverarbeitungs-Toolkit

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

Spracherkennungsmodul für Python, das verschiedene Engines und APIs unterstützt, sowohl online als auch offline.

Ein auf Deep Learning basierendes chinesisches Spracherkennungssystem

Eine auf Apples MLX-Framework basierende Text-to-Speech (TTS)-, Speech-to-Text (STT)- und Speech-to-Speech (STS)-Bibliothek für effiziente Sprachanalyse auf Apple Silicon.

💬 Spracherkennung für Ihre Website

Toolkit für automatische Spracherkennung der Facebook AI Research

On-Device-Sprach-KI für Apple Silicon

All-in-One-Entwicklungstool basierend auf PaddlePaddle

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

Automatische Spracherkennung mit Sprecher-Diarisierung basierend auf OpenAI Whisper

Produktionsorientiertes und einsatzbereites End-to-End-Spracherkennungstoolkit

Geräteinterne Erkennung von Weckwörtern mittels Deep Learning

Ressourcen, Praxis und Forschung zu maschinellem Lernen und Agentic AI

Spracherkennungstool für Text / Ein lokal laufendes Offline-Tool zur Audio- und Video-Untertitelung, das JSON-, SRT- und Reintextformate ausgibt.