speech-to-text

面向抖音直播电商的 Windows 本地 AI Agent Studio，贯通主播发现、直播洞察、直播复盘与短视频内容编导的统一智能工作流。

: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

オープンソースの音声ディクテーション技術

Whisper-Flowは、OpenAIのWhisperモデルを使用して音声コンテンツのリアルタイム文字起こしを実現するためのフレームワークです。アップロード後にファイル全体を処理する（「バッチモード」）のではなく、Whisper-Flowは音声チャンクの連続ストリームを受け取り、即座にインクリメンタルな文字起こしを生成します。

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

Botium 音声処理

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

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

.NET MAUIのサンプル集

@voicybot Telegram ボットのメインリポジトリ

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

macOS 向けの無料、オープンソース、プライバシーファーストの音声入力アプリ

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

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

一站式全自动字幕生成软件，下载、转录、翻译、压制全流程覆盖，无需人工介入 / One-stop automated subtitle generator. Handles downloading, transcription, translation, and hardcoding—zero human intervention required.

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！

🎤 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

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)

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

OpenAI whisper でマイクを使用できるようにするプロジェクト

🎤 Swift で最も簡単にオーディオを文字起こしする方法

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。

BiBi Keyboard: Kotlin をベースにした Android プラットフォーム向けの LLM および ASR 音声入力キーボードアプリ

Apple Silicon上のMLXで音声処理を行うためのモジュール式Swift SDK

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。

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。