asr

WhisperX: Pengenalan Ucapan Otomatis dengan stempel waktu tingkat kata (& Diarisasi)

Toolkit pengenalan suara open source untuk pelatihan, inferensi, streaming ASR, VAD, tanda baca, pipeline diarization pembicara, dan penyajian yang kompatibel dengan OpenAI/MCP.

Kerangka kerja AI generatif yang skalabel yang dibangun untuk peneliti dan pengembang yang bekerja pada Large Language Models, Multimodal, dan Speech AI (Automatic Speech Recognition dan Text-to-Speech)

API pengenalan suara offline untuk Android, iOS, Raspberry Pi, dan server dengan Python, Java, C#, dan Node.

Speech-to-text, text-to-speech, speaker diarization, peningkatan kualitas suara, pemisahan sumber, dan VAD menggunakan next-gen Kaldi dengan onnxruntime tanpa koneksi internet. Mendukung sistem embedded, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, server x86_64, websocket server/client, serta mendukung 12 bahasa pemrograman.

Toolkit Speech yang mudah digunakan mencakup model Self-Supervised Learning, SOTA/Streaming ASR dengan tanda baca, Streaming TTS dengan frontend teks, Sistem Verifikasi Pembicara, End-to-End Speech Translation, dan Keyword Spotting. Pemenang Penghargaan Demo Terbaik NAACL2022.

Toolkit ucapan berbasis PyTorch

Model SenseVoiceSmall sumber terbuka untuk ASR bahasa Mandarin, Kanton, Inggris, Jepang, dan Korea, identifikasi bahasa, pengenalan emosi, dan deteksi peristiwa audio.

API Python untuk mendapatkan transkrip atau subtitle video YouTube. Mendukung subtitle yang dibuat otomatis dan tidak memerlukan API key atau browser headless seperti solusi berbasis selenium.

🤖 wukong-robot adalah proyek robot percakapan suara/speaker pintar bahasa Mandarin yang sederhana, fleksibel, dan elegan, mendukung kemampuan percakapan multi-putaran ChatGPT, dan mungkin merupakan proyek speaker pintar sumber terbuka pertama yang mendukung interaksi otak-komputer.

Alat transkripsi video, pembuatan subtitle, dan pemotongan berbasis LLM yang didukung oleh FunASR dengan antarmuka Gradio lokal.

Pengenalan Ucapan Otomatis (ASR) dengan Speaker Diarization berbasis OpenAI Whisper

Perekaman audio html5 js dalam format mp3, wav, ogg, webm, amr, g711a, g711u, mendukung PC dan Android, beberapa browser web iOS, Hybrid App (menyediakan kode sumber Android iOS App), WeChat, menyediakan contoh obrolan suara H5 dengan konversi ASR ke teks, serta pengkodean/dekode DTMF

Toolkit Pengenalan Ucapan End-to-End yang siap pakai dan mengutamakan produksi

Pemutar media untuk pembelajaran bahasa, dengan subtitel ganda, subtitel buatan AI, terjemahan waktu nyata, dan banyak lagi!

Streamer-Sales 销冠 — LLM untuk streamer penjualan barang 🛒🎁, model yang mampu menjelaskan produk untuk memicu minat beli pengguna berdasarkan fitur produk. 🚀⭐ Termasuk alur pembuatan data yang mendetail ❗ 📦 Terintegrasi dengan LMDeploy untuk akselerasi inferensi 🚀, RAG untuk augmentasi pengambilan 📚, TTS untuk teks-ke-suara 🔊, pembuatan avatar digital 🦸, Agent untuk pencarian informasi real-time 🌐, ASR untuk suara-ke-teks 🎙️, frontend berbasis ekosistem Vue 🍍, backend FastAPI 🗝️, dan deployment Docker-compose 🐋

Tahan tombol, bicara, lepaskan — teks yang telah dipoles AI akan muncul di kursor Anda di aplikasi apa pun. Input suara sumber terbuka untuk macOS & Windows.

Layanan API ASR OpenAI Whisper

Executable mandiri Whisper & Faster-Whisper bagi mereka yang tidak ingin repot dengan Python.

[AutoArk] GPA (General Purpose Audio) dapat melakukan ASR, TTS, dan konversi suara dengan satu model kecil!

Antarmuka grafis faster_whisper dengan PySide6

Lingvo

Pengenalan Ucapan Otomatis Multibahasa dengan stempel waktu tingkat kata dan tingkat kepercayaan.

Model audio CoreML mutakhir di aplikasi Anda — teks-ke-suara, suara-ke-teks, deteksi aktivitas suara, dan diarisasi pembicara. Dalam Swift, didukung oleh open source SOTA.

🐸STT - Toolkit deep learning untuk Speech-to-Text. Melatih dan menerapkan model STT tidak pernah semudah ini.

Ekstraksi cepat konten audio dan video, disusun menjadi catatan markdown terstruktur

Mesin inferensi C++ murni yang lengkap untuk model audio, didukung oleh ggml. Mendukung TTS, STT, VAD, konversi suara, pembuatan musik, dan lainnya, dengan performa yang sangat dioptimalkan. Tanpa dependensi Python.

Model ASR kelas industri sumber terbuka yang mendukung bahasa Mandarin, dialek Tiongkok, dan bahasa Inggris, mencapai SOTA baru pada tolok ukur ASR Mandarin publik, sekaligus menawarkan kemampuan pengenalan lirik lagu yang luar biasa.

Inferensi speech-to-text ggml untuk 16+ keluarga model

Framework AI+IoT generasi berikutnya untuk T2/T3/T5AI/ESP32/dan lainnya – Integrasi perangkat keras IoT dan AI Agent yang cepat