speech-to-text

Sammlung von Ressourcen zu Anwendungen von Large Language Models (LLMs) in der Audio-KI.

Ein in PyTorch implementiertes Framework für die automatische Spracherkennung (Streaming und Non-Streaming), das sowohl Online- als auch Offline-Erkennung unterstützt, derzeit die Modelle Conformer, Squeezeformer und DeepSpeech2 sowie verschiedene Datenaugmentierungsmethoden unterstützt.

Rapida ist eine Open-Source-End-to-End-Voice-AI-Orchestrierungsplattform zum Erstellen von Echtzeit-Sprachassistenten mit Audiostreaming, STT, TTS, VAD, Mehrkanalintegration, Agenten-Zustandsverwaltung und Observability.

Adapt Intent Parser

Sprach-zu-Text- und KB-Eingabe-Untertitel für OBS, VRChat, Twitch-Chat und Discord

Sprach-API-Beispiele

Speech-to-Text-Benchmark-Framework

Eine kostenlose lokale Desktop-App zum Extrahieren von Untertiteln (SRT) aus Videos und Übersetzen in jede Sprache – unbegrenzte Nutzung, keine Registrierung, keine Cloud.

Spracherkennung für React-Native-Expo-Projekte

Transkribiert und übersetzt Sprache mithilfe von Whisper und LLMs (GPT, Claude etc.) in eine LRC-Datei.

Auf Deep Learning basierende On-Device-Streaming-Speech-to-Text-Engine

:speech_balloon: /so.nus/ STT (Speech-to-Text) für Node mit Offline-Hotword-Erkennung

Erstellung einer Software zur automatischen Überwachung bei Online-Prüfungen

Schnelle, private und lokal arbeitende Sprach-App für Apple Silicon Macs – Diktierfunktion, Datei-/Medientranskription, Meeting-Aufzeichnung, Transformationen und ein öffentliches Automatisierungs-CLI. Kostenlos und Open Source.

Eine native macOS-Menüleisten-Diktier-App mit lokalem Speech-to-Text über WhisperKit

Echtzeit-Transkription mit faster-whisper

C++ ggml Runtime-Hub für mehrsprachige ASR- und TTS-Modelle: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2 sowie universelles Forced Alignment und mehr.

Eine Open-Source-Sprach-IME (Tastatur) für Android unter Verwendung der Vosk-Bibliothek.

Eine Python-Bibliothek zur Lösung von reCAPTCHA v2 und v3 mit Playwright

Eine optimierte Speech-to-Text-Pipeline für das Whisper-Modell mit Unterstützung für mehrere Inferenz-Engines

Eine modulare Node-Programmiersprache, Programm-Editor, Animationssystem, Toolkit, Router und Debugger für VRChat.

Ein Overlay, das die Mikrofonberechtigung des Benutzers abfragt und Spracheingaben in einer anpassbaren Benutzeroberfläche als Text ausgibt.

Liste der STT-APIs für koreanische Spracherkennung inklusive Leistungsbenchmarks

Browser-only Canva-style presentation studio, powered by local Web AI.

Blitzschnelle, kostenlose und lokale Sprachdiktat-Software für macOS mit On-Device-Transkription

Eine Spracherkennungsbibliothek für den Browser, basierend auf einem WebAssembly-Build von Vosk.

Phonetisaurus G2P

Dieses Tool verwendet KI zur Bewertung Ihrer Aussprache

Open-Source-Software für Audio- und Videotranskription

Open-Source, lokaler und selbst gehosteter, hochoptimierter Sprachinferenz-Server mit Unterstützung für ASR/STT, TTS und LLM über WebRTC, REST und WS.