speech-recognition

音声 AI 研究のハブ: 音声 LLM、音声認識、TTS、音楽・音声生成に関する論文、オープンモデル、ベンチマーク、データセット。

LLM による要約を備えた、すぐに使えるセルフホスト型オフライン文字起こしおよび話者分離サービス

Whisper.net。Whisperモデルを使用して音声認識をシンプルに実現

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

システムレベルのコマンド実行、音声認識とテキスト読み上げの統合、非同期ユーザーインタラクションの処理が可能な、Pythonベースのデスクトップ音声アシスタント。

ストリーミングおよびオンデバイス利用向けに最適化されたWhisperモデル

インターネットを必要とせず、自分のコンピュータ上で動作する音声対話型LLM

:speech_balloon: SpeechPy - 音声処理および認識のためのライブラリ: http://speechpy.readthedocs.io/en/latest/

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

💬 Reactアプリ向けの音声認識

コネクショニスト時系列分類 (CTC) デコーディングアルゴリズム：ベストパス、ビームサーチ、辞書サーチ、プレフィックスサーチ、トークンパッシング。Python で実装されています。

OpenAI の Whisper を使用したリアルタイム speech2text Web アプリの構築 (https://openai.com/blog/whisper/)

記述的ディープラーニング

🎤 Lobe TTS - サーバーおよびブラウザ向けの高品質で信頼性の高いTTS/STTライブラリ

Linux向けの無料、オープンソース、完全オフラインの音声ディクテーション。whisper.cpp、Whisper、VOSKエンジンを使用し、どこでも音声入力が可能。GPUアクセラレーション対応、X11およびWaylandで動作！

音声からテキスト、そして音声へ。現在再生中の楽曲。テキストをOSCメッセージとしてVRChatに送信し、アバター上に表示します。(STTTS) (Speech to TTS) (VRC STTシステム) (VTuber TTS)

whisper.cpp の React Native バインディング

OpenAI whisper でマイクを使用できるようにするプロジェクト

Ollama、Hugging Face Transformers、Coqui TTS Toolkitを活用した、対話を楽しむためのローカル音声チャットボット

🎤 Swift で最も簡単にオーディオを文字起こしする方法

音声認識タスクのための基盤モデル。

100% プライベートな AI 音声文字起こしアプリ。Whisper AI を使用し、Android と iOS 向けに Compose Multiplatform で構築されており、クラウドへのアップロードなしでデバイス上で処理が完結します。

📦 「中国語数字」と「アラビア数字」を素早く相互変換〜（最新機能：分数、日付、温度などの変換）

音声処理のためのディープラーニング

PaddlePaddle をベースに実装された音声認識、中国語音声認識。プロジェクトは充実しており、認識精度も良好。Windows および Linux でのトレーニングと予測をサポートし、Nvidia Jetson 開発ボードでの予測もサポートします。

リアルタイムのサイレント音声認識ツール。

ローカルマシンの Unity3d で音声認識モデル (whisper.cpp) を実行する。

Allosaurusは、2000以上の言語に対応する事前トレーニング済み汎用音声認識エンジンです

Android 向けのプライベートでオンデバイスな音声認識キーボードおよびサービス。

PyTorchで実装されたストリーミングおよび非ストリーミングの自動音声認識フレームワーク。オンラインおよびオフライン認識の両方に対応しており、現在Conformer、Squeezeformer、DeepSpeech2モデルをサポートし、多様なデータ拡張手法を備えています。