speech-to-text

Puerto del modelo Whisper de OpenAI en C/C++

Una aplicación de conversión de voz a texto gratuita, de código abierto y extensible que funciona completamente sin conexión.

Asistente de reuniones de IA con prioridad en la privacidad, transcripción en vivo con Parakeet/Whisper 4 veces más rápida, diarización de hablantes y resumen con Ollama integrado en Rust. Procesamiento 100% local, sin necesidad de nube. Meetily (Meetly Ai - https://meetily.ai) es el anotador de reuniones de IA de código abierto y autohospedado número 1 para macOS y Windows. Comprende cómo redactar actas de reuniones

Distribuye y ejecuta LLMs con un solo archivo.

Transcripción de Whisper más rápida con CTranslate2

WhisperX: Reconocimiento automático de voz con marcas de tiempo a nivel de palabra (y diarización).

YC (S26) | Open Computer History | Graba tu pantalla continuamente de forma local y proporciona contexto a tus agentes (Claude, Codex, Openclaw, Hermes, Runner...)

Kit de herramientas de reconocimiento de voz de código abierto para entrenamiento, inferencia, ASR en streaming, VAD, puntuación, canalizaciones de diarización de altavoces y servicio compatible con OpenAI/MCP.

Traduce el video de un idioma a otro e incorpora doblaje y subtítulos.

🧠 Leon es su asistente personal de código abierto.

kaldi-asr/kaldi es el repositorio oficial del proyecto Kaldi.

API de reconocimiento de voz sin conexión para Android, iOS, Raspberry Pi y servidores con Python, Java, C# y Node.

VoiceStudio es la alternativa a ElevenLabs de código abierto y totalmente local: clonación de voz, diseño de voz, doblaje de vídeo, dictado, transcripción y creación de audiolibros en 646 idiomas.

Conversión de voz a texto, de texto a voz, diarización de hablantes, mejora de voz, separación de fuentes y VAD utilizando la nueva generación de Kaldi con onnxruntime sin conexión a Internet. Soporta sistemas embebidos, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, servidores x86_64, servidor/cliente websocket y 12 lenguajes de programación.

Crea agentes de voz con modelos de código abierto

Gradio WebUI para creadores y desarrolladores, con TTS clave (Edge-TTS, kokoro) y clonación de voz zero-shot (E2 & F5-TTS, CosyVoice), procesamiento de audio con Whisper, descarga de YouTube, aislamiento vocal con Demucs y traducción multilingüe.

Un kit de herramientas de voz basado en PyTorch

Voz a texto local en tiempo real con ASR en streaming, diarización de hablantes, traducción y API compatibles con OpenAI/Deepgram.

Una biblioteca de conversión de voz a texto robusta, eficiente y de baja latencia, con detección avanzada de actividad de voz, activación por palabra clave y transcripción instantánea.

Modelo de código abierto SenseVoiceSmall para ASR en mandarín, cantonés, inglés, japonés y coreano, identificación de idiomas, reconocimiento de emociones y detección de eventos de audio.

Módulo de reconocimiento de voz para Python, compatible con varios motores y APIs, en línea y fuera de línea.

Un sistema de reconocimiento de voz en chino basado en aprendizaje profundo

Una biblioteca de texto a voz (TTS), voz a texto (STT) y voz a voz (STS) construida sobre el framework MLX de Apple, que proporciona un análisis de voz eficiente en Apple Silicon.

💬 Reconocimiento de voz para tu sitio

IA de voz en el dispositivo para Apple Silicon.

Herramienta de transcripción de video, generación de subtítulos y recorte asistido por LLM basada en FunASR, con una interfaz de usuario local de Gradio

Aplicación de dictado de voz a texto con modelos locales (Nvidia Parakeet/Whisper) y en la nube (BYOK). Privacidad primero y multiplataforma.

Silero Models: modelos de texto a voz preentrenados hechos extremadamente sencillos

Convierte tu PC, Mac o equipo Linux en un servidor de IA. Inferencia de LLM, interfaz de chat, voz, agentes, flujos de trabajo, RAG y generación de imágenes.

Reconocimiento automático de voz con diarización de hablantes basado en OpenAI Whisper