speech-to-text

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

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。

Rapidaは、音声ストリーミング、STT、TTS、VAD、マルチチャネル統合、エージェント状態管理、オブザーバビリティを備えたリアルタイム会話型音声エージェントを構築するための、オープンソースのエンドツーエンド音声AIオーケストレーションプラットフォームです。

Adapt Intent Parser

OBS、VRChat、Twitchチャット、Discord向けの音声認識（Speech to Text）およびKB入力字幕

音声APIのサンプル

音声認識（Speech-to-Text）のベンチマークフレームワーク

動画から字幕（SRT）を抽出し、あらゆる言語に翻訳するための無料のローカルデスクトップアプリ — 無制限利用、登録不要、クラウド不要。

React Native Expoプロジェクト向けの音声認識

Whisper と LLM (GPT、Claude など) を使用して音声を文字起こしし、LRC ファイルに翻訳するツール

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

:speech_balloon: /so.nus/ オフラインホットワード検知機能を備えたNode向けSTT（音声認識）

オンライン試験監視の自動モニタリング用ソフトウェアの作成

Apple Silicon Mac向けの高速でプライベートなローカルファースト音声アプリ。音声入力、ファイル/メディアの文字起こし、会議の録音、変換（Transforms）、および公開オートメーションCLIを提供。無料かつオープンソース。

WhisperKitのローカル音声認識を使用した、ネイティブなmacOSメニューバー用音声入力アプリ

多言語 ASR および TTS モデル（Cohere Transcribe、Parakeet TDT、Voxtral、Canary 1B v2 など）向けの C++ 製 ggml ランタイムハブ。汎用フォースドアライメント機能なども搭載

faster-whisperを使用したリアルタイム文字起こし

Vosk ライブラリを使用した Android 向けオープンソースのオンデバイス音声 IME（キーボード）

Playwright を使用して reCAPTCHA v2 および v3 を解決するための Python ライブラリ

複数の推論エンジンをサポートする、Whisperモデル向けの最適化されたSpeech-to-Textパイプライン

VRChat向けに作られたモジュール式のノードプログラミング言語、プログラムクリエイター、アニメーションシステム、ツールキット、ルーター、デバッガー

🗣 カスタマイズ可能な UI でユーザーの音声許可を取得し、音声をテキストとして入力するオーバーレイ

韓国語音声認識 STT API リストと各パフォーマンスベンチマーク。

Browser-only Canva-style presentation studio, powered by local Web AI.

Lightning-fast, free, local first voice dictation for macOS with on-device transcription

Vosk の WebAssembly ビルドによりブラウザ上で動作する音声認識ライブラリ

Phonetisaurus G2P

AIを使用して発音を評価するツールです。

オープンソースの音声・動画文字起こしソフトウェア

Open-source AI voice typing for macOS, Windows, and Linux. Press a hotkey, speak naturally, get polished text in any app.