speech-to-text

オープンソースの音声AIプラットフォーム。VapiやRetellのセルフホスト型代替品。Speech to SpeechまたはLLM/STT/TTSに対応したオンプレミス、BYOK環境。ビジュアルワークフロービルダー、MCPネイティブ、テレフォニーサポート付き。

オープンソースのAI動画ローカライゼーションツール：YouTube/Bilibili動画のダウンロード、字幕認識と翻訳、音声クローン吹き替え、音源ミキシング、字幕エンコードを自動実行。

音声認識からテキストへのツール / オフラインで動作するローカルの音・動画から字幕へのツール。JSON、SRT字幕、プレーンテキスト形式で出力。

TPU上で最大70倍の高速化を実現する、OpenAIのWhisperモデルのJAX実装

リアルタイム通信のためのpythonライブラリ。

DaVinci Resolve、Premiere、After Effectsに直接接続するオンデバイス字幕生成機能。

Windows LiveCaptions をベースにした、軽量かつ強力なリアルタイム音声・スピーチ翻訳ツール

キーを押しながら話して放すと、AI が洗練したテキストがどのアプリでもカーソル位置に入力されます。macOS & Windows 向けのオープンソース音声入力。

OpenAI Whisper ASR Web サービス API

Python の導入を避けたい人のための Whisper および Faster-Whisper のスタンドアロン実行ファイル

LLaMA-Omni は、Llama-3.1-8B-Instruct を基に構築された低レイテンシかつ高品質なエンドツーエンドの音声インタラクションモデルで、GPT-4o レベルの音声機能の実現を目指しています。

Amazon Echo や Google Home の競合となる、オープンソースかつローカルでセルフホスト可能な音声アシスタントの代替

Web UIを使って、あらゆる音声を100%ローカルでテキスト化、翻訳、字幕編集ができるツール。whisperモデルを採用！

Lingvo

単語レベルのタイムスタンプと信頼度を備えた多言語自動音声認識

Google Meet、Microsoft Teams、Zoom向けのオープンソースの会議文字起こしAPI。ボットの自動参加、リアルタイムWebSocket文字起こし、AIエージェント向けMCPサーバーを搭載。セルフホストまたはSaaSを利用可能。

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。

Cluely のオープンソース代替品 - 会議、面接、会話中に誰にも気づかれることなくシームレスに動作する、超高速でプライバシーファーストな AI アシスタント。Tauri製でネイティブのパフォーマンスを実現し、わずか 10MB。ビデオ通話、画面共有、録画でも完全に検出されません。

🐸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。

🔊 OpenAI が開発したオープンソースの AI 音声認識システム Whisper に関する素晴らしいリソースのまとめ

画面を録画してデモを公開。無料かつオープンソース、GPU アクセラレーション対応、ウォーターマークなし、サブスクリプションなし。Windows、macos、Linux に対応。アクティブにメンテナンス中。

オープンソースで無料の Wispr Flow 代替案 | FunASR ローカルモデルと設定可能な大規模言語モデルを統合した次世代中国語デスクトップ音声ワークフロー

ggml を活用した、音声モデル向けのオールインワンかつ純粋な C++ 推論エンジン。TTS、STT、VAD、音声変換、音楽生成などを高度に最適化されたパフォーマンスでサポートします。Python 依存関係はありません。

ASR/STT字幕ジェネレーター。Qwen3-ASR、ローカルLLM、Whisper、TEN-VADを使用。JAV向けにノイズ耐性を強化。

🎙 tensorflowディープラーニングフレームワークと、sequence-to-sequenceニューラルネットワークを使用した音声認識

ゲーム向けの、無料で使いやすく、ポータブルなオーディオエンジン。

シンプルな API を備えたブラウザ用音声活動検出（VAD）

自動文字起こし機能付き音声エディタ

16以上のモデルファミリーに対応したggml音声認識（speech-to-text）推論