speech-to-text

Open-Source-Sprach-KI-Plattform. Self-Hosted-Alternative zu Vapi und Retell. On-Premise, BYOK für Speech-to-Speech oder LLM/STT/TTS, mit visuellem Workflow-Builder, MCP-nativ und Telefonie-Unterstützung.

Open-Source-KI-Tool zur Videolokalisierung: automatischer Download von YouTube/Bilibili-Videos, Untertitelung und Übersetzung, Stimmklon-Synchronisation, Audiospur-Mischung und Untertitel-Einbettung.

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

JAX-Implementierung des Whisper-Modells von OpenAI für eine bis zu 70-fache Beschleunigung auf TPUs.

Die Python-Bibliothek für Echtzeitkommunikation

Untertitelerzeugung auf dem Gerät, die sich direkt mit DaVinci Resolve, Premiere und After Effects verbindet.

Leichtgewichtige und leistungsstarke Echtzeit-Audio-/Sprachübersetzungstool basierend auf Windows LiveCaptions.

Taste gedrückt halten, sprechen, loslassen – KI-optimierter Text erscheint an Ihrem Cursor in jeder App. Open-Source-Spracheingabe für macOS & Windows.

OpenAI Whisper ASR Webservice API

Whisper & Faster-Whisper Standalone-Executables für alle, die sich nicht mit Python herumschlagen möchten.

LLaMA-Omni ist ein latenzarmes und qualitativ hochwertiges End-to-End-Sprachinteraktionsmodell auf Basis von Llama-3.1-8B-Instruct mit dem Ziel, Sprachfunktionen auf GPT-4o-Niveau zu erreichen.

Open-Source-, lokale und selbst gehostete Sprachassistenten-Alternative als Konkurrenz zu Amazon Echo/Google Home

Transkribieren Sie jegliches Audio in Text, übersetzen und bearbeiten Sie Untertitel 100% lokal mit einer Web-Benutzeroberfläche. Unterstützt durch Whisper-Modelle!

Lingvo

Mehrsprachige automatische Spracherkennung mit wortgenauen Zeitstempeln und Konfidenzwerten

Open-Source-Meeting-Transkriptions-API für Google Meet, Microsoft Teams & Zoom. Automatisch beitretende Bots, Echtzeit-WebSocket-Transkripte, MCP-Server für KI-Agenten. Selbst gehostet oder als gehostetes SaaS.

Modernste CoreML-Audiomodelle in Ihren Apps — Text-to-Speech, Speech-to-Text, Spracherkennung und Sprecherdiarisierung. In Swift, angetrieben von SOTA Open Source.

Die Open-Source-Alternative zu Cluely – Ein blitzschneller, datenschutzorientierter KI-Assistent, der unbemerkt bei Meetings, Interviews und Gesprächen unterstützt. Mit Tauri für native Performance entwickelt, nur 10 MB groß. In Videoanrufen, Bildschirmfreigaben und Aufnahmen völlig unsichtbar.

🐸STT – Das Deep-Learning-Toolkit für Speech-to-Text. Das Trainieren und Bereitstellen von STT-Modellen war noch nie so einfach.

🔊 Awesome-Liste für Whisper – ein von OpenAI entwickeltes, KI-gestütztes Open-Source-Spracherkennungssystem

Bildschirminhalt aufnehmen, Demo veröffentlichen. Kostenlos und Open Source, GPU-beschleunigt, keine Wasserzeichen, keine Abonnements. Windows, macOS, Linux. Aktiv gewartet.

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.

Eine All-in-One-Inferenz-Engine in reinem C++ für Audiomodelle, angetrieben von ggml. Unterstützt TTS, STT, VAD, Sprachkonvertierung, Musikgenerierung und mehr bei hochoptimierter Leistung. Keine Python-Abhängigkeit.

ASR/STT-Untertitelgenerator. Verwendet Qwen3-ASR, lokale LLM, Whisper, TEN-VAD. Rauschrobust für JAV

🎙 Spracherkennung mit dem Deep-Learning-Framework TensorFlow und Sequence-to-Sequence-neuronalen Netzen

Kostenlose, einfache und portable Audio-Engine für Spiele

Sprachaktivierungserkennung (VAD) für den Browser mit einer einfachen API

Ein Editor für gesprochenes Audio mit automatischer Transkription

ggml Speech-to-Text Inferenz für über 16 Modellfamilien