automatic-speech-recognition

ストリーミングASR、話者ダイアライゼーション、翻訳、およびOpenAI/Deepgram互換APIを備えたリアルタイムローカル音声認識

プロダクションファーストで本番環境対応のエンドツーエンド音声認識ツールキット。

OpenAI Whisper ASR Web サービス API

[AutoArk] GPA (General Purpose Audio) は、1つの小型モデルで ASR、TTS、および音声変換を実行可能！

アプリ内で最先端の CoreML 音声モデルを利用可能に — テキスト読み上げ、音声認識、音声区間検出、話者ダイアライゼーション。Swift 製、SOTA のオープンソースを活用。

🐸STT - 音声認識（Speech-to-Text）のためのディープラーニングツールキット。STT モデルのトレーニングとデプロイがかつてないほど簡単になりました。

音声活動検出 (VAD) : 低レイテンシ、高性能、軽量

中国語、方言、英語をサポートするオープンソースの産業グレード ASR モデル。パブリックな中国語 ASR ベンチマークで新たな SOTA を達成し、優れた歌声の歌詞認識能力も提供します。

:zap: TensorFlowASR: TensorFlow 2 によるほぼ最高水準の自動音声認識。文字またはサブワードを使用できる言語をサポート

単語誤り率（WER）などの類似度指標を使用して音声認識システムを評価する

オーディオAIにおける大規模言語モデル（LLM）の応用に関するリソース集

OpenAI Whisper と TensorFlow Lite を使用した Android 向けオフライン音声認識

ディープラーニングを活用した、デバイス上のストリーミング音声認識エンジン

ASR、VAD、LID、Punc モジュールを備えた SOTA の産業グレードオールインワン ASR システム。FireRedASR2 は中国語（標準語、20以上の方言/アクセント）、英語、コードスイッチング、音声および歌唱の ASR をサポートします。FireRedVAD は 100 以上の言語で音声/歌唱/音楽をサポートします。FireRedLID は 100 以上の言語と 20 以上の中国語方言をサポートします。FireRedPunc は中国語と英語をサポートします。