asr

WhisperX: वर्ड-लेवल टाइमस्टैम्प (& डायराइजेशन) के साथ Automatic Speech Recognition

ट्रेनिंग, इन्फरेंस, स्ट्रीमिंग ASR, VAD, पंक्चुएशन, स्पीकर डायराइजेशन पाइपलाइन्स और OpenAI-संगत/MCP सर्विंग के लिए ओपन-सोर्स स्पीच रिकग्निशन टूलकिट।

Linguistic Models, Multimodal और Speech AI पर काम कर रहे शोधकर्ताओं और डेवलपर्स के लिए बनाया गया एक स्केलेबल जनरेटिव AI फ़्रेमवर्क

Python, Java, C# और Node के साथ Android, iOS, Raspberry Pi और सर्वर के लिए ऑफ़लाइन स्पीच रिकग्निशन API

बिना इंटरनेट कनेक्शन के onnxruntime के साथ नेक्स्ट-जेन Kaldi का उपयोग करके स्पीच-टू-टेक्स्ट, टेक्स्ट-टू-स्पीच, स्पीकर डायराइजेशन, स्पीच एन्हांसमेंट, सोर्स सेपरेशन और VAD। एम्बेडेड सिस्टम, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64 सर्वर, वेबसॉकेट सर्वर/क्लाइंट और 12 प्रोग्रामिंग भाषाओं का समर्थन करता है।

उपयोग में आसान स्पीच टूलकिट जिसमें सेल्फ-सुपरवाइज्ड लर्निंग मॉडल, विराम चिह्नों के साथ SOTA/स्ट्रीमिंग ASR, टेक्स्ट फ्रंटएंड के साथ स्ट्रीमिंग TTS, स्पीकर वेरिफिकेशन सिस्टम, एंड-टू-एंड स्पीच ट्रांसलेशन और कीवर्ड स्पॉटिंग शामिल है। NAACL2022 बेस्ट डेमो अवार्ड जीता।

PyTorch पर आधारित एक स्पीच टूलकिट।

मंदारिन, कैंटोनीज़, अंग्रेजी, जापानी और कोरियाई ASR, भाषा पहचान, भावना पहचान और ऑडियो इवेंट डिटेक्शन के लिए ओपन-सोर्स SenseVoiceSmall मॉडल।

यह एक Python API है जो आपको किसी दिए गए YouTube वीडियो के लिए ट्रांसक्रिप्ट/सबटाइटल प्राप्त करने की अनुमति देता है। यह स्वचालित रूप से जनरेट किए गए सबटाइटल के लिए भी काम करता है और इसके लिए किसी API की या अन्य सेलेनियम-आधारित समाधानों की तरह हेडलेस ब्राउज़र की आवश्यकता नहीं होती है!

🤖 wukong-robot एक सरल, लचीला और सुरुचिपूर्ण चीनी वॉयस डायलॉग रोबोट/स्मार्ट स्पीकर प्रोजेक्ट है, जो ChatGPT मल्टी-राउंड डायलॉग क्षमता का समर्थन करता है, और संभवतः ब्रेन-कंप्यूटर इंटरैक्शन का समर्थन करने वाला पहला ओपन-सोर्स स्मार्ट स्पीकर प्रोजेक्ट है।

लोकल Gradio UI के साथ FunASR-संचालित वीडियो ट्रांसक्रिप्शन, सबटाइटल जनरेशन, और LLM-सहायता प्राप्त क्लिपिंग टूल।

OpenAI Whisper के आधार पर स्पीकर डायरीज़ेशन के साथ स्वचालित वाक् पहचान

HTML5 JS रिकॉर्डिंग mp3, wav, ogg, webm, amr, g711a, g711u फॉर्मेट, PC, Android, iOS वेब ब्राउज़र, हाइब्रिड ऐप (Android/iOS ऐप सोर्स कोड के साथ), और WeChat का समर्थन करता है। इसमें ASR वॉयस-टू-टेक्स्ट, H5 वॉयस कॉल चैट उदाहरण और DTMF एन्कोडिंग/डिकोडिंग शामिल है।

प्रोडक्शन फर्स्ट और प्रोडक्शन रेडी एंड-टू-एंड स्पीच रिकग्निशन टूलकिट

भाषा सीखने के लिए मीडिया प्लेयर, जिसमें दोहरे उपशीर्षक, AI-जनरेटेड उपशीर्षक, रीयल-टाइम अनुवाद और बहुत कुछ है!

Streamer-Sales - सेल्स-चैंपियन लाइव-स्ट्रीमर LLM बड़ा मॉडल🛒🎁, जो दी गई उत्पाद विशेषताओं के आधार पर उपयोगकर्ताओं की खरीदारी की इच्छा को जगाने के लिए उत्पाद का विवरण देता है।🚀⭐ विस्तृत डेटा जनरेशन प्रक्रिया शामिल है❗ 📦 इसके अलावा इसमें त्वरित अनुमान के लिए LMDeploy 🚀, RAG खोज-संवर्धित जनरेशन 📚, TTS टेक्स्ट-टू-स्पीच 🔊, डिजिटल मानव जनरेशन 🦸, वास्तविक समय की जानकारी खोजने के लिए Agent 🌐, ASR स्पीच-टू-टेक्स्ट 🎙️, फ्रंटएंड के लिए Vue इकोसिस्टम 🍍, बैकएंड के लिए FastAPI 🗝️, और पैकेजिंग एवं परिनियोजन के लिए Docker-compose 🐋 एकीकृत हैं।

एक कुंजी दबाकर रखें, बोलें, छोड़ें — किसी भी ऐप में आपके कर्सर पर AI-पॉलिश किया हुआ टेक्स्ट दिखाई देता है। macOS और Windows के लिए ओपन-सोर्स वॉयस इनपुट।

OpenAI Whisper ASR वेबसर्विस API

Whisper और Faster-Whisper के स्टैंडअलोन निष्पादन योग्य (executables) उन लोगों के लिए जो Python के झंझट में नहीं पड़ना चाहते।

[AutoArk] GPA (General Purpose Audio) एक छोटे मॉडल के साथ ASR, TTS और वॉयस कन्वर्जन कर सकता है!

faster_whisper GUI with PySide6

Lingvo

शब्द-स्तरीय टाइमस्टैम्प और कॉन्फिडेंस के साथ बहुभाषी स्वचालित वाक् पहचान (Multilingual ASR)

आपके ऐप्स में फ्रंटियर CoreML ऑडियो मॉडल — टेक्स्ट-टू-स्पीच, स्पीच-टू-टेक्स्ट, वॉयस एक्टिविटी डिटेक्शन, और स्पीकर डायरिज़ेशन। Swift में, SOTA ओपन सोर्स द्वारा संचालित।

🐸STT - स्पीच-टू-टेक्स्ट के लिए डीप लर्निंग टूलकिट। STT मॉडल को प्रशिक्षित करना और तैनात करना इतना आसान कभी नहीं रहा।

ऑडियो और वीडियो सामग्री को तेज़ी से निकालें और इसे एक संरचित markdown नोट्स में व्यवस्थित करें

ऑडियो मॉडल के लिए एक ऑल-इन-वन, शुद्ध C++ इन्फेरेंस इंजन, जो ggml द्वारा संचालित है। अत्यधिक अनुकूलित प्रदर्शन के साथ TTS, STT, VAD, वॉयस कन्वर्शन, म्यूजिक जनरेशन और बहुत कुछ समर्थन करता है। कोई Python निर्भरता नहीं।

मंदारिन, चीनी बोलियों और अंग्रेजी का समर्थन करने वाले ओपन-सोर्स इंडस्ट्रियल-ग्रेड ASR मॉडल, सार्वजनिक मंदारिन ASR बेंचमार्क पर एक नया SOTA हासिल करते हैं, साथ ही उत्कृष्ट गायन गीत पहचान क्षमता भी प्रदान करते हैं।

16+ मॉडल परिवारों के लिए ggml स्पीच-टू-टेक्स्ट अनुमान

T2/T3/T5AI/ESP32 और अन्य के लिए अगली पीढ़ी का AI+IoT फ्रेमवर्क – तेज़ IoT और AI Agent हार्डवेयर इंटीग्रेशन