speech-to-text

Kumpulan sumber daya tentang penerapan Large Language Models (LLMs) dalam Audio AI.

Kerangka kerja Automatic Speech Recognition (ASR) streaming dan non-streaming yang diimplementasikan dengan PyTorch, kompatibel dengan pengenalan online dan offline, saat ini mendukung model Conformer, Squeezeformer, dan DeepSpeech2, serta berbagai metode augmentasi data.

Rapida adalah platform orkestrasi AI suara end-to-end sumber terbuka untuk membangun agen suara percakapan real-time dengan streaming audio, STT, TTS, VAD, integrasi multi-saluran, manajemen status agen, dan observabilitas.

Adapt Intent Parser

Teks ucapan dan keterangan input KB untuk OBS, VRChat, obrolan Twitch, dan Discord

Contoh API suara

framework tolok ukur speech to text

Aplikasi desktop lokal gratis untuk mengekstrak subtitle (SRT) dari video dan menerjemahkannya ke bahasa apa pun — penggunaan tak terbatas, tanpa pendaftaran, tanpa cloud.

Pengenalan Ucapan untuk proyek React Native Expo

Mentranskripsikan dan menerjemahkan suara ke file LRC menggunakan Whisper dan LLM (GPT, Claude, dll).

Mesin ucapan-ke-teks streaming on-device yang didukung oleh deep learning

:speech_balloon: /so.nus/ STT (speech to text) untuk Node dengan deteksi kata kunci offline.

Membuat perangkat lunak untuk pemantauan otomatis dalam pengawasan ujian online

Aplikasi suara yang cepat, privat, dan berbasis lokal untuk Mac Apple Silicon — dikte, transkripsi file/media, perekaman rapat, Transformasi, dan CLI otomatisasi publik. Gratis dan sumber terbuka.

Aplikasi dikte bilah menu macOS asli yang menggunakan ucapan-ke-teks lokal dengan WhisperKit

Pusat runtime C++ ggml untuk model ASR dan TTS multibahasa: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, dll., ditambah penyelarasan paksa universal, dan lainnya

Transkripsi waktu nyata menggunakan faster-whisper

IME (papan tombol) suara on-device sumber terbuka untuk Android yang menggunakan pustaka Vosk.

Pustaka Python untuk menyelesaikan reCAPTCHA v2 dan v3 dengan Playwright

Pipeline Speech-to-Text yang dioptimalkan untuk Model Whisper yang mendukung berbagai Inference Engine

Bahasa pemrograman node modular, pembuat program, sistem animasi, toolkit, router, dan debugger yang dibuat untuk VRChat

🗣 Overlay yang mendapatkan izin suara pengguna dan masukan sebagai teks dalam UI yang dapat disesuaikan

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

Daftar API STT pengenalan suara bahasa Korea dan tolok ukur kinerjanya masing-masing.

Dikte suara lokal yang sangat cepat, gratis, dan mengutamakan privasi untuk macOS dengan transkripsi pada perangkat

Pustaka pengenalan suara yang berjalan di browser berkat build WebAssembly dari Vosk

Phonetisaurus G2P

Alat ini menggunakan AI untuk mengevaluasi pelafalan Anda.

Perangkat lunak transkripsi audio dan video open source

Server inferensi bahasa yang sangat dioptimalkan, sumber terbuka, lokal, dan mandiri yang mendukung ASR/STT, TTS, dan LLM melalui WebRTC, REST, dan WS