speech-to-text

Coleção de recursos sobre as aplicações de Modelos de Linguagem Grande (LLMs) em Áudio AI.

Framework de reconhecimento automático de fala em PyTorch para streaming e não streaming, compatível com reconhecimento online e offline. Atualmente suporta os modelos Conformer, Squeezeformer e DeepSpeech2, além de vários métodos de aumento de dados.

Rapida é uma plataforma de orquestração de IA de voz de ponta a ponta para construir agentes de voz conversacionais em tempo real com streaming de áudio, STT, TTS, VAD, integração multicanal, gerenciamento de estado de agentes e observabilidade.

Interpretador de intenções Adapt

Legendas de fala para texto e entrada de KB para OBS, VRChat, chat do Twitch e Discord

Exemplo de API de voz

Framework de benchmark para conversão de fala em texto.

Um aplicativo de desktop local e gratuito para extrair legendas (SRT) de vídeos e traduzi-las para qualquer idioma — uso ilimitado, sem cadastro, sem nuvem.

Reconhecimento de fala para projetos React Native Expo

Transcreva e traduza áudio em arquivos LRC usando Whisper e LLMs (GPT, Claude, etc.).

Motor de conversão de fala em texto por streaming no dispositivo impulsionado por aprendizado profundo

:speech_balloon: /so.nus/ STT (speech to text) para Node com detecção de palavra-chave offline

Criando um software para monitoramento automático em proctoring online

Aplicativo de voz rápido, privado e local-first para Macs com Apple Silicon — ditado, transcrição de arquivos/mídia, gravação de reuniões, Transforms e uma CLI de automação pública. Gratuito e de código aberto.

Um aplicativo nativo para a barra de menus do macOS de ditado usando conversão de fala em texto local com o WhisperKit

Hub de tempo de execução C++ ggml para modelos ASR e TTS multilíngues: Cohere Transcribe, Parakeet TDT, Voxtral, Canary 1B v2, etc., além de alinhamento forçado universal e mais

Transcrição em tempo real usando faster-whisper

Um IME (teclado) de voz emulador de dispositivo de código aberto para Android usando a biblioteca Vosk.

Uma biblioteca Python para resolver reCAPTCHA v2 e v3 com o Playwright

Um pipeline otimizado de Speech-to-Text para o modelo Whisper, suportando múltiplos motores de inferência

Uma linguagem de programação baseada em nós modular, criador de programas, sistema de animação, kit de ferramentas, roteador e depurador feitos para VRChat

Uma sobreposição que obtém a permissão de voz do usuário e a entrada como texto em uma interface personalizável

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

Lista de APIs de reconhecimento de voz STT para o idioma coreano. Benchmarks de desempenho de cada uma.

Ditado por voz ultrarrápido, gratuito, local e com transcrição no próprio dispositivo para macOS

Uma biblioteca de reconhecimento de fala executada no navegador graças a uma compilação WebAssembly do Vosk

Phonetisaurus G2P

Esta ferramenta usa IA para avaliar sua pronúncia.

Software de código aberto para transcrição de áudio e vídeo

Servidor de inferência de linguagem de código aberto, local e auto-hospedado altamente otimizado com suporte a ASR/STT, TTS e LLM via WebRTC, REST e WS