speech-to-text

Plataforma de voz AI de código aberto. Alternativa auto-hospedada ao Vapi e Retell. On-prem, BYOK para Speech to Speech ou LLM/STT/TTS, com construtor visual de fluxo de trabalho, suporte nativo a MCP e telefonia.

Ferramenta de código aberto para localização de vídeos por IA: automatiza o download de vídeos do YouTube/Bilibili, reconhecimento e tradução de legendas, clonagem de voz, mixagem de áudio e gravação de legendas.

Ferramenta de reconhecimento de voz para texto / Uma ferramenta local para transcrição de áudio e vídeo que roda offline, com saída em JSON, legendas SRT e formato de texto simples

Implementação em JAX do modelo Whisper da OpenAI para aceleração de até 70x em TPU.

A biblioteca Python para comunicação em tempo real

Geração de legendas no dispositivo que se conecta diretamente ao DaVinci Resolve, Premiere e After Effects.

Ferramenta de tradução de áudio/fala em tempo real, leve e poderosa, baseada no Windows LiveCaptions.

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.

LLaMA-Omni é um modelo de interação de voz end-to-end de baixa latência e alta qualidade construído sobre o Llama-3.1-8B-Instruct, visando alcançar capacidades de voz no nível do GPT-4o.

Alternativa de assistente de voz open source, local e auto-hospedada, concorrente do Amazon Echo/Google Home

Transcreva qualquer áudio para texto, traduza e edite legendas 100% localmente com uma interface web. Baseado em modelos whisper!

Lingvo

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

API de transcrição de reuniões de código aberto para Google Meet, Microsoft Teams e Zoom. Bots de entrada automática, transcrições WebSocket em tempo real e servidor MCP para agentes de IA. Auto-hospedado ou via SaaS.

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.

A alternativa de código aberto ao Cluely - Um assistente de IA extremamente rápido e focado em privacidade que funciona perfeitamente durante reuniões, entrevistas e conversas sem que ninguém perceba. Construído com Tauri para desempenho nativo, com apenas 10MB. Completamente indetectável em chamadas de vídeo, compartilhamentos de tela e gravações.

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

Lista incrível para o Whisper — um sistema de reconhecimento de fala de código aberto baseado em IA desenvolvido pela OpenAI

Grave sua tela e publique uma demonstração. Gratuito e open-source, acelerado por GPU, sem marcas d'água e sem assinaturas. Disponível para Windows, macOS e Linux. Mantido ativamente.

Alternativa open source e gratuita ao Wispr Flow | Fluxo de trabalho de voz para desktop em chinês de próxima geração, integrando o modelo local FunASR e modelos de linguagem grandes configuráveis.

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.

Gerador de legendas ASR/STT. Utiliza Qwen3-ASR, LLM local, Whisper e TEN-VAD. Robusto contra ruído para JAV.

🎙 Reconhecimento de fala usando o framework de deep learning tensorflow e redes neurais sequence-to-sequence.

Motor de áudio gratuito, fácil e portátil para jogos

Detector de atividade de voz (VAD) para navegador com uma API simples.

Um editor para áudio falado com transcrição automática

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