speech-recognition

ऑडियो AI अनुसंधान के लिए हब: ऑडियो LLMs, स्पीच रिकग्निशन, TTS, संगीत और ऑडियो जनरेशन पर शोध पत्र, ओपन मॉडल, बेंचमार्क और डेटासेट।

llm सारांश के साथ टर्नकी सेल्फ-होस्टेड ऑफ़लाइन ट्रांसक्रिप्शन और डायरीज़ेशन सेवा

Whisper.net। Whisper मॉडल का उपयोग करके स्पीच टू टेक्स्ट को आसान बनाया गया।

Espresso: एक तेज़ एंड-टू-एंड न्यूरल स्पीच रिकग्निशन टूलकिट

पायथन आधारित डेस्कटॉप वॉयस असिस्टेंट जो सिस्टम-स्तरीय कमांड निष्पादित करने, स्पीच रिकग्निशन और टेक्स्ट-टू-स्पीच को एकीकृत करने और एसिंक्रोनस उपयोगकर्ता इंटरैक्शन को संभालने में सक्षम है।

स्ट्रीमिंग और ऑन-डिवाइस उपयोग के लिए ऑप्टिमाइज़्ड Whisper मॉडल

एक टॉकिंग LLM जो बिना इंटरनेट के आपके कंप्यूटर पर चलता है।

SpeechPy - स्पीच प्रोसेसिंग और रिकग्निशन के लिए एक लाइब्रेरी: http://speechpy.readthedocs.io/en/latest/

PaddlePaddle पर आधारित एंड-टू-एंड चीनी वॉयस रिकग्निशन, शुरुआती से लेकर व्यावहारिक प्रोजेक्ट्स तक। DeepSpeech2, Conformer और Squeezeformer मॉडल्स का समर्थन करता है।

💬 आपके React ऐप के लिए स्पीच रिकग्निशन

Connectionist Temporal Classification (CTC) डिकोडिंग एल्गोरिदम: बेस्ट पाथ, बीम सर्च, लेक्सिकॉन सर्च, प्रीफिक्स सर्च और टोकन पासिंग। Python में कार्यान्वित।

OpenAI के Whisper का उपयोग करके रीयल-टाइम speech2text वेब ऐप्स बनाएं https://openai.com/blog/whisper/

डिस्क्रिप्टिव डीप लर्निंग

Linux के लिए मुफ्त, ओपन-सोर्स, 100% ऑफ़लाइन वॉयस डिक्टेशन। whisper.cpp, Whisper और VOSK इंजन के माध्यम से कहीं भी बोलें और टाइप करें, GPU-त्वरित, X11 + Wayland पर काम करता है!

🎤 Lobe TTS - सर्वर और ब्राउज़र के लिए एक उच्च-गुणवत्ता और विश्वसनीय TTS/STT लाइब्रेरी

Speech to Text to Speech। गाना अभी चल रहा है। अवतार पर प्रदर्शित करने के लिए टेक्स्ट को OSC संदेशों के रूप में VRChat पर भेजता है। (STTTS) (Speech to TTS) (VRC STT System) (VTuber TTS)

whisper.cpp की React Native बाइंडिंग।

स्पीच रिकग्निशन कार्यों के लिए फाउंडेशनल मॉडल।

Ollama, Hugging Face Transformers और Coqui TTS टूलकिट द्वारा संचालित आकर्षक बातचीत के लिए लोकल वॉयस चैटबॉट।

एक प्रोजेक्ट जो OpenAI whisper के साथ माइक्रोफ़ोन का उपयोग करने की अनुमति देता है।

Swift में ऑडियो ट्रांसक्राइब करने का सबसे आसान तरीका।

एक 100% निजी AI वॉइस ट्रांसक्रिप्शन ऐप जो 100+ भाषाओं में भाषण को टेक्स्ट में बदलता है। पूर्ण गोपनीयता के लिए बिना किसी क्लाउड अपलोड के Whisper AI का उपयोग करके Android और iOS के लिए Compose Multiplatform के साथ निर्मित।

चीनी अंकों और अरबी अंकों के बीच त्वरित रूपांतरण (नवीनतम सुविधाएँ: भिन्न, दिनांक, तापमान आदि का रूपांतरण)।

PaddlePaddle पर आधारित वाक् पहचान (Speech Recognition), चीनी वाक् पहचान। परियोजना परिपक्व है और पहचान प्रभाव अच्छा है। Windows और Linux के तहत प्रशिक्षण और पूर्वानुमान का समर्थन करता है, और Nvidia Jetson विकास बोर्ड पूर्वानुमान का समर्थन करता है।

ऑडियो प्रोसेसिंग के लिए डीप लर्निंग

एक रीयल-टाइम साइलेंट स्पीच रिकग्निशन टूल।

Unity3d में स्थानीय मशीन पर स्पीच-टू-टेक्स्ट मॉडल (whisper.cpp) चलाना।

Allosaurus 2000 से अधिक भाषाओं के लिए एक प्रीट्रेन्ड यूनिवर्सल फोन रिकॉग्नाइज़र है

Android के लिए प्राइवेट और ऑन-डिवाइस स्पीच रिकग्निशन कीबोर्ड और सर्विस।

Pytorch में कार्यान्वित स्ट्रीमिंग और नॉन-स्ट्रीमिंग ऑटोमैटिक स्पीच रिकग्निशन फ्रेमवर्क, जो ऑनलाइन और ऑफलाइन रिकग्निशन के साथ संगत है, वर्तमान में Conformer, Squeezeformer, और DeepSpeech2 मॉडल का समर्थन करता है और विभिन्न डेटा ऑगमेंटेशन विधियों के साथ आता है।