asr

WhisperX: Reconhecimento Automático de Fala com carimbos de data/hora no nível da palavra (& Diarização).

Kit de ferramentas de reconhecimento de fala de código aberto para treinamento, inferência, streaming ASR, VAD, pontuação, pipelines de diarização de locutores e atendimento compatível com OpenAI/MCP.

Um framework de IA generativa escalável criado para pesquisadores e desenvolvedores que trabalham com Grandes Modelos de Linguagem, Multimodal e IA de Voz (Reconhecimento Automático de Fala e Conversão de Texto em Fala)

API de reconhecimento de fala offline para Android, iOS, Raspberry Pi e servidores com Python, Java, C# e Node.

Speech-to-text, text-to-speech, diarização de locutor, aprimoramento de fala, separação de fontes e VAD usando a próxima geração do Kaldi com onnxruntime sem conexão com a Internet. Suporte a sistemas embarcados, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, servidores x86_64, servidor/cliente websocket e 12 linguagens de programação

Kit de ferramentas de fala fácil de usar, incluindo modelo de aprendizado autossupervisionado, ASR SOTA/Streaming com pontuação, TTS de streaming com frontend de texto, sistema de verificação de locutor, tradução de fala de ponta a ponta e detecção de palavras-chave. Vencedor do prêmio NAACL2022 Best Demo.

Um kit de ferramentas de fala baseado em PyTorch

Modelo SenseVoiceSmall de código aberto para ASR em mandarim, cantonês, inglês, japonês e coreano, identificação de idioma, reconhecimento de emoção e detecção de eventos de áudio.

Esta é uma API Python que permite obter a transcrição/legendas de um vídeo do YouTube. Funciona também para legendas geradas automaticamente e não requer chave de API nem navegador headless, ao contrário de outras soluções baseadas em Selenium.

🤖 wukong-robot é um projeto de robô de diálogo por voz/alto-falante inteligente simples, flexível e elegante, que suporta conversas de múltiplos turnos com ChatGPT e pode ser o primeiro projeto de alto-falante inteligente de código aberto a suportar interface cérebro-computador.

Ferramenta de transcrição de vídeo, geração de legendas e edição assistida por LLM baseada em FunASR, com interface Gradio local.

Reconhecimento Automático de Fala com Diarização de Orador baseado no OpenAI Whisper

Formatos html5 js gravação mp3 wav ogg webm amr g711a g711u, suporte para PC, Android, alguns navegadores web iOS, Hybrid App (código-fonte de app Android e iOS fornecido), WeChat, exemplo de chat de chamada de voz H5 com reconhecimento de fala ASR e conversão para texto, codificação e decodificação DTMF

Kit de ferramentas de reconhecimento de fala de ponta a ponta, focado e pronto para produção.

O reprodutor de mídia para aprendizado de idiomas, com legendas duplas, legendas geradas por IA, tradução em tempo real e muito mais!

Streamer-Sales: um LLM para apresentadores de vendas ao vivo que explica produtos com base em suas características para estimular o desejo de compra do usuário. Inclui um fluxo detalhado de geração de dados e integra LMDeploy para aceleração de inferência, RAG para recuperação aumentada, TTS para conversão de texto em fala, geração de avatares digitais, agentes para consultas de informações em tempo real, ASR para transcrição de áudio, front-end em Vue, back-end em FastAPI e implantação via Docker-compose.

Segure uma tecla, fale, solte — texto refinado por IA aparece no seu cursor em qualquer aplicativo. Entrada de voz de código aberto para macOS e Windows.

API de serviço web ASR para o OpenAI Whisper

Executáveis independentes do Whisper e Faster-Whisper para quem não quer lidar com Python.

[AutoArk] GPA (General Purpose Audio) pode realizar ASR, TTS e conversão de voz com um único modelo compacto!

Interface gráfica para faster_whisper com PySide6

Lingvo

Reconhecimento automático de fala multilíngue com carimbos de data/hora em nível de palavra e confiança

Modelos de áudio CoreML de ponta em seus aplicativos — texto para fala, fala para texto, detecção de atividade de voz e diarização de locutores. Em Swift, impulsionado por código aberto SOTA.

🐸STT - O kit de ferramentas de aprendizado profundo para Speech-to-Text. Treinar e implantar modelos STT nunca foi tão fácil.

Extraia rapidamente conteúdo de áudio e vídeo e organize-o em notas estruturadas em markdown.

Um motor de inferência tudo-em-um em C++ puro para modelos de áudio, alimentado por ggml. Suporta TTS, STT, VAD, conversão de voz, geração de música e mais, com desempenho altamente otimizado. Sem dependência de Python.

Modelos ASR de nível industrial de código aberto que suportam mandarim, dialetos chineses e inglês, alcançando um novo SOTA em benchmarks públicos de ASR em mandarim, oferecendo também excelente capacidade de reconhecimento de letras de músicas.

Inferência de fala para texto ggml para mais de 16 famílias de modelos

Framework de IA+IoT de próxima geração para T2/T3/T5AI/ESP32/e mais – Integração rápida de hardware de IA e agentes IoT