speech-to-text

ऑडियो AI में लार्ज लैंग्वेज मॉडल्स (LLMs) के अनुप्रयोगों पर संसाधनों का संग्रह

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।

Rapida एक ओपन-सोर्स, एंड-टू-एंड वॉयस AI ऑर्केस्ट्रेशन प्लेटफ़ॉर्म है, जो ऑडियो स्ट्रीमिंग, STT, TTS, VAD, मल्टी-चैनल इंटीग्रेशन, एजेंट स्टेट मैनेजमेंट और ऑब्जर्वेबिलिटी के साथ रीयल-टाइम संवादात्मक वॉयस एजेंट बनाने के लिए है।

Adapt Intent Parser

OBS, VRChat, Twitch चैट और Discord के लिए स्पीच टू टेक्स्ट और KB इनपुट कैप्शन

वॉयस API उदाहरण।

स्पीच-टू-टेक्स्ट बेंचमार्क फ्रेमवर्क

वीडियो से सबटाइटल (SRT) निकालने और उन्हें किसी भी भाषा में अनुवाद करने के लिए एक मुफ्त, स्थानीय डेस्कटॉप ऐप — असीमित उपयोग, कोई साइनअप नहीं, कोई क्लाउड नहीं।

React Native Expo प्रोजेक्ट्स के लिए स्पीच रिकग्निशन

Whisper और LLM (GPT, Claude, आदि) का उपयोग करके आवाज़ को ट्रांसक्रिप्ट और LRC फ़ाइल में अनुवाद करें।

डीप लर्निंग द्वारा संचालित ऑन-डिफ़ाइस स्ट्रीमिंग स्पीच-टू-टेक्स्ट इंजन

Node के लिए STT (स्पीच टू टेक्स्ट), जिसमें ऑफलाइन हॉटवर्ड डिटेक्शन की सुविधा है।

ऑनलाइन प्रॉक्टरिंग में स्वचालित निगरानी के लिए सॉफ़्टवेयर बनाना

Apple Silicon Mac के लिए तेज़, निजी, स्थानीय-प्रथम वॉइस ऐप — श्रुतलेख, फ़ाइल/मीडिया प्रतिलेखन, मीटिंग रिकॉर्डिंग, ट्रांसफ़ॉर्म, और एक सार्वजनिक स्वचालन CLI। मुफ़्त और ओपन-सोर्स।

WhisperKit के साथ स्थानीय स्पीच-टू-टेक्स्ट का उपयोग करने वाला एक मूल macOS मेनू बार डिक्टेशन ऐप

बहुभाषी ASR और TTS मॉडल के लिए C++ ggml रनटाइम हब: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, आदि, साथ ही यूनिवर्सल फोर्स्ड अलाइनमेंट और बहुत कुछ।

faster-whisper का उपयोग करके रियल-टाइम ट्रांसक्रिप्शन

Vosk लाइब्रेरी का उपयोग करके Android के लिए एक ओपन-सोर्स ऑन-डिवाइस वॉयस IME (कीबोर्ड)।

Playwright के साथ reCAPTCHA v2 और v3 को हल करने के लिए एक Python लाइब्रेरी।

Whisper Model के लिए एक अनुकूलित Speech-to-Text Pipeline जो कई Inference Engine का समर्थन करती है

VRChat के लिए बनाया गया एक मॉड्यूलर नोड-प्रोग्रामिंग भाषा, प्रोग्राम क्रिएटर, एनिमेशन सिस्टम, टूलकिट, राउटर और डिबगर।

🗣 एक ओवरले जो आपके उपयोगकर्ता की आवाज़ की अनुमति और इनपुट को एक कस्टमाइज़ेबल UI में टेक्स्ट के रूप में प्राप्त करता है

कोरियाई स्पीच रिकग्निशन STT API सूची और उनके प्रदर्शन बेंचमार्क।

Browser-only Canva-style presentation studio, powered by local Web AI.

macOS के लिए बिजली की गति वाला, मुफ्त, लोकल-फर्स्ट वॉयस डिक्टेशन, ऑन-डिवाइस ट्रांसक्रिप्शन के साथ

Vosk के WebAssembly बिल्ड की मदद से ब्राउज़र में चलने वाली एक स्पीच रिकग्निशन लाइब्रेरी।

Phonetisaurus G2P

यह टूल आपके उच्चारण का मूल्यांकन करने के लिए AI का उपयोग करता है।

ओपन-सोर्स ऑडियो और वीडियो ट्रांसक्रिप्शन सॉफ़्टवेयर

ओपन सोर्स, लोकल और सेल्फ-होस्टेड अत्यधिक अनुकूलित लैंग्वेज इन्फरेंस सर्वर, जो WebRTC, REST और WS पर ASR/STT, TTS और LLM का समर्थन करता है।