speech-recognition

💎 ASR、TTS、その他の音声技術向けにアクセス可能な音声コーパスのリスト

Apple Silicon 搭載 Mac で LLM をファインチューニング。MLX 上でネイティブ動作する SFT、DPO、GRPO、Vision、TTS、STT、Embedding、OCR のファインチューニング対応。Unsloth 互換 API。

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

CTranslate2 をベースにした、オリジナルの OpenAI クライアントと互換性のある Whisper コマンドラインクライアント

Pythonライブラリを使用して構築されたパーソナルアシスタント。メール送信、OCR、API連携によるリアルタイムな動的ニュース配信、ToDoリストの生成、音声コマンドによるWebサイトのオープン、音楽再生、Wikipedia検索、自動スペルチェックなどのインテリジェント機能付き辞書、気温・風速・湿度などの天気予報など、ほぼ何でも実行できます。

Wayland コンポジター向けのプッシュトトーク対応音声テキスト変換。

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。

Prunaは開発者向けに構築されたモデル最適化フレームワークであり、最小限のオーバーヘッドでより高速かつ効率的なモデルを提供できるようにします。

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

音声チャットアプリ

自然言語処理向けのTransformersモデルに関する優れたリソース集。論文、動画、ブログ、公式リポジトリ、Colabノートブックが含まれています。

Apple の Foundation Models フレームワークを使用したアプリの構築、テスト、評価のための実践的なラボ。

パーソナルAIアシスタントのスタッフがいるプライベートなログブック。エージェントが記録を読み取り、次のアクションを提案し、ユーザーが変更を承認します。デバイス間のエンドツーエンド暗号化同期により、サーバー側からは暗号文のみが見えます。ローカルAIはオプションです。

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

オフライン動作対応のロシア語音声アシスタント「Ирина」。プラグインによるスキルをサポート。

機械学習プロジェクトにおけるマルチモーダルデータを処理するためのツール

アプリのためのセルフコーディングシステム — Cordova 用 Alan AI SDK

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

Youtube/Twitch 配信用の AI VTuber

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。

💬📝 OpenAIのWhisper音声認識モデルを使用した小さなディクテーションアプリ。

モバイルデバイスで高品質な音声文字起こしをより身近にするオープンソースのiOSアプリ

Kaldi ツールキットと GStreamer フレームワークに基づく、リアルタイム全二重音声認識サーバー。

Voskライブラリを使用したAndroid向けのオフライン音声認識。

Kaldi用のPythonラッパー

: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

AI を使用して文字起こし、コンテンツの理解、映像内のあらゆるものの検索を行う編集ツール。ChatGPT やその他の AI モデルと統合されています。

次世代 Kaldi を使用した音声認識サーバーフレームワーク

Python/JS におけるセルフホスト型 Whisper と WebSocket を使用したほぼリアルタイムの文字起こし