asr

WhisperX: Nhận diện giọng nói tự động với mốc thời gian cấp độ từ (và phân đoạn người nói)

Bộ công cụ nhận dạng giọng nói nguồn mở dành cho huấn luyện, suy luận, streaming ASR, VAD, dấu câu, pipeline phân đoạn người nói (speaker diarization) và phục vụ tương thích với OpenAI/MCP.

Một framework AI tạo sinh có khả năng mở rộng được xây dựng cho các nhà nghiên cứu và lập trình viên làm việc về Mô hình Ngôn ngữ Lớn, Đa phương thức và AI Giọng nói (Nhận dạng Giọng nói Tự động và Chuyển văn bản thành giọng nói)

API nhận diện giọng nói ngoại tuyến cho Android, iOS, Raspberry Pi và máy chủ với Python, Java, C# và Node

Chuyển đổi giọng nói thành văn bản, văn bản thành giọng nói, phân đoạn người nói, cải thiện giọng nói, tách nguồn âm thanh và VAD sử dụng Kaldi thế hệ mới với onnxruntime không cần kết nối Internet. Hỗ trợ hệ thống nhúng, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, máy chủ x86_64, websocket server/client, hỗ trợ 12 ngôn ngữ lập trình

Bộ công cụ xử lý giọng nói dễ sử dụng, bao gồm mô hình tự giám sát (Self-Supervised Learning), SOTA/Streaming ASR có dấu câu, Streaming TTS tích hợp frontend văn bản, Hệ thống xác thực người nói, Dịch giọng nói đầu cuối và Nhận diện từ khóa. Đạt giải Demo xuất sắc nhất tại NAACL 2022.

Bộ công cụ nhận diện giọng nói dựa trên PyTorch

Mô hình SenseVoiceSmall mã nguồn mở cho ASR tiếng Quan Thoại, Quảng Đông, Anh, Nhật và Hàn, nhận diện ngôn ngữ, cảm xúc và sự kiện âm thanh.

Đây là Python API cho phép bạn lấy bản ghi / phụ đề cho một video YouTube bất kỳ. Nó cũng hoạt động với phụ đề được tạo tự động và không yêu cầu khóa API hay trình duyệt headless như các giải pháp dựa trên Selenium khác!

🤖 wukong-robot là một dự án chatbot/loa thông minh bằng giọng nói tiếng Trung đơn giản, linh hoạt và thanh lịch, hỗ trợ khả năng trò chuyện nhiều lượt với ChatGPT, và có thể là dự án loa thông minh mã nguồn mở đầu tiên hỗ trợ tương tác não-máy tính.

Công cụ chuyển biên video, tạo phụ đề và cắt ghép video hỗ trợ bởi LLM, hoạt động dựa trên FunASR với giao diện Gradio cục bộ.

Nhận dạng giọng nói tự động kết hợp phân đoạn người nói dựa trên OpenAI Whisper

Thư viện ghi âm HTML5 JS hỗ trợ các định dạng mp3, wav, ogg, webm, amr, g711a, g711u; hỗ trợ PC, một số trình duyệt web trên Android và iOS, Hybrid App (cung cấp mã nguồn App Android và iOS), WeChat; cung cấp tính năng chuyển đổi giọng nói thành văn bản ASR, mẫu trò chuyện gọi thoại H5 và mã hóa/giải mã DTMF

Bộ công cụ nhận dạng giọng nói đầu-cuối (End-to-End) ưu tiên môi trường production và sẵn sàng cho production

Trình phát đa phương tiện hỗ trợ học ngoại ngữ với phụ đề kép, phụ đề tạo bởi AI, dịch thời gian thực và nhiều tính năng khác!

Streamer-Sales: Mô hình ngôn ngữ lớn (LLM) dành cho streamer bán hàng 🛒🎁, có khả năng giải thích sản phẩm dựa trên các đặc điểm đã cho nhằm kích thích ý định mua hàng của người dùng. 🚀⭐ Bao gồm quy trình tạo dữ liệu chi tiết ❗ 📦 Tích hợp tăng tốc suy luận LMDeploy 🚀, RAG (Tạo tăng cường truy xuất) 📚, TTS (Chuyển văn bản thành giọng nói) 🔊, tạo người ảo 🦸, Agent sử dụng web để tra cứu thông tin thời gian thực 🌐, ASR (Nhận diện giọng nói thành văn bản) 🎙️, frontend xây dựng bằng hệ sinh thái Vue 🍍, backend xây dựng bằng FastAPI 🗝️, đóng gói và triển khai bằng Docker-compose 🐋

Giữ phím, nói, thả ra — văn bản được AI trau chuốt sẽ xuất hiện tại con trỏ của bạn trong bất kỳ ứng dụng nào. Công cụ nhập giọng nói mã nguồn mở cho macOS & Windows.

API dịch vụ web ASR OpenAI Whisper

Các tệp thực thi độc lập của Whisper và Faster-Whisper dành cho những ai không muốn bận tâm về Python.

[AutoArk] GPA (General Purpose Audio) có thể thực hiện ASR, TTS và chuyển đổi giọng nói chỉ với một mô hình nhỏ gọn!

Giao diện đồ họa cho faster_whisper sử dụng PySide6

Lingvo

Nhận dạng Tự động Tiếng nói Đa ngôn ngữ với mốc thời gian cấp độ từ và độ tin cậy

Các mô hình âm thanh CoreML tiên tiến trong ứng dụng của bạn — chuyển văn bản thành giọng nói, chuyển giọng nói thành văn bản, phát hiện hoạt động giọng nói và phân đoạn người nói. Viết bằng Swift, cung cấp bởi các mã nguồn mở SOTA.

🐸STT - Bộ công cụ học sâu cho Speech-to-Text. Việc huấn luyện và triển khai các mô hình STT chưa bao giờ dễ dàng đến thế.

Trích xuất nhanh nội dung âm thanh và video, tổng hợp thành ghi chú markdown có cấu trúc

Một công cụ suy luận C++ thuần túy, tất cả trong một dành cho các mô hình âm thanh, được hỗ trợ bởi ggml. Hỗ trợ TTS, STT, VAD, chuyển đổi giọng nói, tạo nhạc và nhiều tính năng khác với hiệu năng được tối ưu hóa cao. Không phụ thuộc Python.

Các mô hình ASR cấp công nghiệp mã nguồn mở hỗ trợ tiếng Quan Thoại, các phương ngữ tiếng Trung và tiếng Anh, đạt SOTA mới trên các benchmark ASR tiếng Quan Thoại công khai, đồng thời cung cấp khả năng nhận dạng lời bài hát xuất sắc.

Suy luận chuyển giọng nói thành văn bản bằng ggml cho hơn 16 họ mô hình

Khung AI+IoT thế hệ mới cho T2/T3/T5AI/ESP32 và nhiều hơn nữa – Tích hợp phần cứng IoT và AI Agent nhanh chóng