asr

インターネット接続なしで次世代Kaldiとncnnを使用したリアルタイム音声認識および音声区間検出（VAD）。iOS、Android、Linux、macOS、Windows、Raspberry Pi、VisionFive2、LicheePi4Aなどをサポート

百聆（Bailing）はGPT-4oに類似した音声対話ボットであり、ASR+LLM+TTSを通じて実現されています。DeepSeek R1などの優れた大規模モデルを統合し、openClawに接続した真の個人用音声アシスタントです。遅延は800msと低く、Macなどの低スペック環境でも動作し、割り込みをサポートしています。

Speech Note Linux アプリ。オフラインでの音声文字変換（Speech to Text）、音声合成（Text to Speech）、機械翻訳を使用したメモ作成、読み上げ、翻訳機能を提供します。

LLM、コンピュータビジョン、自動音声認識を使用した動画分析

🎙️ AIディクテーションアプリ - オープンソース＆ローカルファースト ⚡ キーボードなしで3倍速く入力。🆓 オープンソースモデル搭載、オフライン動作、高速かつ高精度。

中国語、方言、アクセント、多言語音声に対応した、オープンソースの LLM ベース ASR モデルファミリ。FunASR、vLLM、ストリーミング、llama.cpp ランタイムをサポート。

🍦 Speech-AI-Forgeは、TTS生成モデルを中心に開発されたプロジェクトで、APIサーバーとGradioベースのWebUIを実装しています。

動画の同期翻訳。動画の吹き替え

制御可能な文字起こし。単語単位のタイムスタンプ付きで、逐語的（フィラー、ポーズ、言い淀み、発声を含む）または意図通り（話し手の意図を反映し、読みやすさを最適化）の出力が可能

Claude Code を使用した自然な音声会話

リアルタイム音声対話型デジタルヒューマン。外見や音声のカスタマイズ、音声クローンに対応し、初期応答遅延は 3 秒未満。

StreamSpeech は、オフラインおよび同時音声認識、音声翻訳、音声合成のための「オールインワン」シームレスモデルです。

Vosk および Kaldi ライブラリに基づく WebSocket、gRPC、WebRTC 音声認識サーバー

Whisper音声認識モデルをファインチューニングし、タイムスタンプなし、タイムスタンプあり、音声なしデータのトレーニングをサポート。推論の高速化、およびWeb、Windowsデスクトップ、Androidへのデプロイをサポート

Apple Silicon 向け AI 音声ツールキット — MLX と CoreML を活用した ASR、TTS、音声対音声、VAD、話者分離

現実世界向けに構築された初の基礎 ASR：7つのアトミックな音響条件、54の複合シナリオ、260万件のサンプルを備え、他のモデルが機能しない環境でも SOTA と比較して最大約 30% の向上を実現。他のモデルが実環境で失敗した後に戻ってくるモデル。

[非公式] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) の PyTorch 実装

SGLang-Omni は、TTS、ASR、音声、およびオムニモデルの高性能なサービングを実現します。

オープンソースの動画翻訳スキル

Voskライブラリを使用したAndroid向けのオフライン音声認識。

LLMによる後処理を備えた、完全ローカルかつプライベートなクロスプラットフォーム音声認識（Speech-to-Text）

Kaldi用のPythonラッパー

次世代 Kaldi を使用した音声認識サーバーフレームワーク

Espresso: 高速なエンドツーエンドのニューラル音声認識ツールキット

VocoType は、ローカル環境で動作するプライバシーとセキュリティに配慮した音声入力ツールです。ショートカットキーで音声をリアルタイムにテキストへ変換し、現在のアプリケーションへ自動入力します。音声文字変換 MCP、AI によるテキスト最適化、カスタム置換辞書、音声・動画の文字起こしなどの機能をサポートし、音声入力をより効率的かつ安全にします。

ファインチューニングおよび処理済みのWhisper ASRモデルを使用して、音声文字起こしを行うユーザーレベルアクセス対応のAPIを提供するプロジェクト

🔥🔥🔥 Java の無料オフライン AI アルゴリズムツールボックス。顔認識、生体検知、表情認識、物体検出、インスタンスセグメンテーション、歩行者検出、OCR 文字認識、ナンバープレート認識、表認識、ASR+TTS、機械翻訳などの機能をサポートし、Maven 依存関係に追加するだけで使用できます。PyTorch、Tensorflow をサポートし、Mtcnn、InsightFace、SeetaFace6、YOLOv8~v12、PaddleOCR(PPOCRv5)、Whisper などの主流モデルを統合済みです。

音声認識、文字起こし、変換などのための使いやすいツールキット

PaddlePaddleに基づくエンドツーエンドの中国語音声認識。入門から実践まで、非常にシンプルな入門ケースと実用的なエンタープライズプロジェクト。現在最も人気のDeepSpeech2、Conformer、Squeezeformerモデルをサポート

GLM-ASR-Nano: 15億パラメータを持つ堅牢なオープンソース音声認識モデル