speech-recognition

💎 ASR, TTS और अन्य Speech Technologies के लिए एक्सेसिबल स्पीच कॉर्पोरा की एक सूची

Apple Silicon वाले Mac पर LLM को फाइन-ट्यून करें। SFT, DPO, GRPO, Vision, TTS, STT, Embedding और OCR फाइन-ट्यूनिंग — MLX पर नेटिव रूप से। Unsloth-compatible API।

नियंत्रित ट्रांसक्रिप्शन। शब्द-स्तर के टाइमस्टैम्प के साथ सटीक (प्रत्येक फिलर, विराम, हकलाना, स्वर ध्वनि) या इच्छित (वक्ता क्या कहना चाहता था, पठनीयता के लिए अनुकूलित)।

CTranslate2 पर आधारित मूल OpenAI क्लाइंट के साथ संगत Whisper कमांड लाइन क्लाइंट।

पायथन लाइब्रेरी का उपयोग करके बनाया गया पर्सनल असिस्टेंट। यह लगभग कुछ भी करता है जिसमें ईमेल भेजना, ऑप्टिकल टेक्स्ट रिकग्निशन, एपीआई इंटीग्रेशन के साथ किसी भी समय गतिशील समाचार रिपोर्टिंग, टू-डू लिस्ट जनरेटर, केवल एक वॉयस कमांड से कोई भी वेबसाइट खोलना, संगीत बजाना, विकिपीडिया खोजना, इंटेलिजेंट सेंसिंग यानी ऑटो स्पेल चेकिंग के साथ डिक्शनरी, मौसम रिपोर्टिंग यानी तापमान, हवा की गति, आर्द्रता शामिल है।

Wayland कंपोजिटर्स के लिए पुश-टू-टॉक के साथ वॉइस-टू-टेक्स्ट

StreamSpeech ऑफ़लाइन और एक साथ स्पीच रिकग्निशन, स्पीच ट्रांसलेशन और स्पीच सिंथेसिस के लिए एक "ऑल इन वन" सीमलेस मॉडल है।

Pruna डेवलपर्स के लिए बनाया गया एक मॉडल ऑप्टिमाइज़ेशन फ्रेमवर्क है, जो आपको न्यूनतम ओवरहेड के साथ तेज़, अधिक कुशल मॉडल डिलीवर करने में सक्षम बनाता है।

Vosk और Kaldi लाइब्रेरी पर आधारित WebSocket, gRPC और WebRTC स्पीच रिकग्निशन सर्वर

टाइमस्टैम्प डेटा के बिना, टाइमस्टैम्प डेटा के साथ, और स्पीच डेटा के बिना ट्रेनिंग का समर्थन करने के लिए Whisper स्पीच रिकग्निशन मॉडल को फाइन-ट्यून करें। इन्फेरेंस को तेज करें और Web डिप्लॉयमेंट, Windows डेस्कटॉप डिप्लॉयमेंट, और Android डिप्लॉयमेंट का समर्थन करें।

एक वॉयस चैट ऐप

💁 Natural Language Processing के लिए Transformers Models का बेहतरीन खजाना, जिसमें पेपर्स, वीडियो, ब्लॉग, आधिकारिक रेपो और colab Notebooks शामिल हैं। 🛫☑️

Apple के Foundation Models फ्रेमवर्क के साथ ऐप्स बनाने, परीक्षण करने और मूल्यांकन करने के लिए एक व्यावहारिक लैब।

व्यक्तिगत AI सहायकों के साथ एक निजी logbook। Agents आपके रिकॉर्ड किए गए डेटा को पढ़ते हैं और आगे के कार्यों का सुझाव देते हैं — आप परिवर्तनों को स्वीकृत करते हैं। आपके अपने डिवाइसों के बीच End-to-end encrypted sync — सर्वर केवल ciphertext देख सकते हैं। Local AI वैकल्पिक है।

Apple Silicon के लिए AI स्पीच टूलकिट — MLX और CoreML द्वारा संचालित ASR, TTS, स्पीच-टू-स्पीच, VAD और डायराइजेशन

इरीना - ऑफ़लाइन काम करने के लिए रूसी वॉयस असिस्टेंट। प्लगइन्स के माध्यम से कौशल का समर्थन करता है।

मशीन लर्निंग प्रोजेक्ट्स में मल्टीमॉडल डेटा को संभालने के लिए उपकरण।

"Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020) का [अनौपचारिक] PyTorch कार्यान्वयन

आपके ऐप के लिए सेल्फ-कोडिंग सिस्टम — Cordova के लिए Alan AI SDK

SGLang-Omni, TTS, ASR, स्पीच और ओम्नी मॉडल के लिए उच्च-प्रदर्शन सर्विंग को सक्षम बनाता है।

Youtube/Twitch पर स्ट्रीमिंग के लिए AI Vtuber

ओपन-सोर्स iOS ऐप जो मोबाइल उपकरणों पर गुणवत्तापूर्ण वॉयस ट्रांसक्रिप्शन को अधिक सुलभ बना रहा है।

💬📝 OpenAI के Whisper स्पीच रिकग्निशन मॉडल का उपयोग करने वाला एक छोटा डिक्टेशन ऐप

Kaldi टूलकिट और GStreamer फ्रेमवर्क पर आधारित रीयल-टाइम फुल-डुप्लेक्स स्पीच रिकग्निशन सर्वर।

Vosk लाइब्रेरी के साथ Android के लिए ऑफलाइन स्पीच रिकग्निशन

Kaldi के लिए एक Python रैपर।

:zap: TensorFlowASR: Tensorflow 2 में लगभग अत्याधुनिक (State-of-the-art) स्वचालित वाक् पहचान (ASR)। समर्थित भाषाओं में वर्णों या सबवर्ड का उपयोग किया जा सकता है।

ChatGPT और अन्य AI मॉडल के साथ एकीकृत, आपके फुटेज में किसी भी चीज़ को ट्रांसक्राइब करने, सामग्री को समझने और खोजने के लिए AI का उपयोग करने वाला एक संपादन टूल

नेक्स्ट-जेन Kaldi के साथ स्पीच-टू-टेक्स्ट सर्वर फ्रेमवर्क

Python/JS में सेल्फ-होस्टेड Whisper और WebSocket का उपयोग करके नियर-रियलटाइम ऑडियो ट्रांसक्रिप्शन