stt

Tu segundo cerebro con IA. Autohospedable. Obtén respuestas de la web o de tus documentos. Construye agentes personalizados, programa automatizaciones, realiza investigaciones profundas. Convierte cualquier LLM en línea o local en tu IA personal y autónoma (gpt, claude, gemini, llama, qwen, mistral). Comienza gratis.

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

Voz a texto, reconocimiento de intenciones y texto a voz de muy baja latencia para construir agentes e interfaces de voz.

Open Vision Agents de Stream. Crea agentes de voz y visión rápidamente con cualquier modelo o proveedor de video. Utiliza la red perimetral de Stream para una latencia ultrabaja.

Herramienta de reconocimiento de voz a texto / Una herramienta local fuera de línea para la conversión de audio y video a subtítulos, que genera formatos JSON, subtítulos SRT y texto plano

Transcribe cualquier audio a texto, traduce y edita subtítulos 100% localmente con una interfaz de usuario web. ¡Impulsado por modelos whisper!

🐸STT - El kit de herramientas de aprendizaje profundo para conversión de voz a texto (Speech-to-Text). Entrenar y desplegar modelos STT nunca ha sido tan fácil.

🎙 Reconocimiento de voz utilizando el framework de aprendizaje profundo TensorFlow y redes neuronales sequence-to-sequence.

Juguetes de IA de voz en tiempo real con más de 100 modelos en Arduino ESP32 con WebSockets seguros y Edge Functions para compañeros y dispositivos de IA

Conoce a Ava, el agente de WhatsApp

Aplicación de notas para Linux. Permite tomar notas, leer y traducir con funciones offline de voz a texto, texto a voz y traducción automática.

Aplicación de asistente Dicio para Android

Speech-AI-Forge es un proyecto desarrollado en torno a un modelo de generación TTS, que implementa un servidor API y una interfaz web basada en Gradio.

Traducción sincronizada para videos. Doblaje de video

Una lista de corpus de voz accesibles para ASR, TTS y otras tecnologías de voz.

Plataforma de gestión empresarial Java para XiaoZhi ESP32, que ofrece una solución integral de backend y frontend para monitoreo de dispositivos, personalización de voz, cambio de roles y gestión de registros de diálogo.

Gp.nvim: plugin de IA para Neovim que ofrece sesiones de ChatGPT, operaciones de texto/código y conversión de voz a texto [OpenAI, Ollama, Anthropic, etc.]

Traducción de voz en tiempo real para macOS y Windows, TTS gratuito, sin servidor, solo usa tus propias claves API

Traducción de voz bidireccional en tiempo real para reuniones bilingües: detecta automáticamente el idioma hablado y traduce en ambas direcciones, ya sea en la nube o completamente offline en el dispositivo. Disponible para escritorio (Windows, macOS, Linux) y extensiones de navegador (Chrome, Edge) para Zoom, Meet, Teams y cualquier aplicación.

NobodyWho es un motor de inferencia que permite ejecutar LLMs local y eficientemente en cualquier dispositivo.

🎤 Lobe TTS - Una biblioteca de TTS/STT confiable y de alta calidad para servidor y navegador

Asistente de voz inteligente que convierte el habla en texto limpio, acciones útiles y conocimiento estructurado. Ayuda a los usuarios a capturar ideas, comunicarse de forma natural, automatizar tareas repetitivas y mantener la productividad en diferentes aplicaciones y flujos de trabajo.

Conversión de voz a texto y de texto a voz. Envía texto como mensajes OSC a VRChat para mostrarlo en el avatar.

Un SDK modular de Swift para procesamiento de audio con MLX en Apple Silicon.

Ejecución de un modelo de voz a texto (whisper.cpp) en Unity3d en su máquina local.

MLX Omni Server es un servidor de inferencia local basado en el framework MLX de Apple, diseñado específicamente para chips Apple Silicon (serie M). Implementa endpoints de API compatibles con OpenAI, lo que permite una integración fluida con clientes del SDK de OpenAI mientras aprovecha la potencia de la inferencia de ML local.

Motor de conversión de voz a texto en tiempo real ejecutado en el dispositivo mediante aprendizaje profundo.

STT (speech to text) para Node con detección de palabras clave sin conexión

Un componente de React para facilitar y acelerar la corrección de transcripciones automatizadas de audio y video. Por BBC News Labs. - En desarrollo

Runtime hub en C++ ggml para modelos ASR y TTS multilingües: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, etc., además de alineación forzada universal y más