speech-to-text

Chuyển đổi mô hình Whisper của OpenAI sang C/C++

Ứng dụng chuyển đổi giọng nói thành văn bản miễn phí, mã nguồn mở và có thể mở rộng, hoạt động hoàn toàn ngoại tuyến.

Trợ lý họp AI ưu tiên quyền riêng tư với bản ghi âm trực tiếp Parakeet/Whisper nhanh hơn 4 lần, phân đoạn người nói và tóm tắt bằng Ollama được xây dựng bằng Rust. Xử lý cục bộ 100%, không cần đám mây.

Phân phối và chạy các LLM chỉ với một file duy nhất.

Chuyển đổi giọng nói thành văn bản Whisper nhanh hơn với CTranslate2

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

YC (S26) | Open Computer History | Ghi lại màn hình của bạn liên tục trên máy cục bộ và cung cấp ngữ cảnh cho các agent của bạn (Claude, Codex, Openclaw, Hermes, Runner...)

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.

Dịch video từ ngôn ngữ này sang ngôn ngữ khác và chèn lồng tiếng & phụ đề.

🧠 Leon là trợ lý cá nhân mã nguồn mở của bạn.

kaldi-asr/kaldi là địa chỉ chính thức của dự án Kaldi.

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

Xây dựng các tác nhân giọng nói với các mô hình mã nguồn mở

Gradio WebUI dành cho người sáng tạo và nhà phát triển, tích hợp các tính năng TTS chính (Edge-TTS, kokoro) và nhân bản giọng nói zero-shot (E2 & F5-TTS, CosyVoice), xử lý âm thanh Whisper, tải xuống YouTube, tách giọng hát Demucs và dịch đa ngôn ngữ.

VoiceStudio là giải pháp thay thế ElevenLabs mã nguồn mở, chạy hoàn toàn cục bộ — nhân bản giọng nói, thiết kế giọng nói, lồng tiếng video, đọc chính tả, chuyển đổi văn bản thành giọng nói và tạo sách nói bằng 646 ngôn ngữ.

Bộ công cụ nhận diện giọng nói dựa trên PyTorch

Chuyển đổi giọng nói thành văn bản cục bộ, thời gian thực với ASR phát trực tuyến, phân đoạn người nói, dịch thuật và các API tương thích với OpenAI/Deepgram.

Thư viện chuyển đổi giọng nói thành văn bản mạnh mẽ, hiệu quả, độ trễ thấp với khả năng phát hiện hoạt động giọng nói nâng cao, kích hoạt bằng từ khóa và phiên dịch tức thì.

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.

Mô-đun nhận dạng giọng nói cho Python, hỗ trợ nhiều engine và API, trực tuyến và ngoại tuyến.

Hệ thống nhận dạng giọng nói tiếng Trung dựa trên Deep Learning

Một thư viện chuyển đổi văn bản thành giọng nói (TTS), giọng nói thành văn bản (STT) và giọng nói thành giọng nói (STS) được xây dựng trên framework MLX của Apple, cung cấp khả năng phân tích giọng nói hiệu quả trên Apple Silicon.

💬 Nhận dạng giọng nói cho trang web của bạn

AI giọng nói trên thiết bị dành cho Apple Silicon

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.

Silero Models: các mô hình chuyển văn bản thành giọng nói được huấn luyện trước trở nên vô cùng đơn giản

Ứng dụng đọc chính tả giọng nói thành văn bản hỗ trợ mô hình cục bộ (Nvidia Parakeet/Whisper) và đám mây (BYOK). Ưu tiên quyền riêng tư và hỗ trợ đa nền tảng.

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

Nền tảng voice AI mã nguồn mở. Giải pháp thay thế tự lưu trữ cho Vapi và Retell. On Prem, BYOK qua Speech to Speech hoặc LLM/STT/TTS, tích hợp trình xây dựng quy trình trực quan, hỗ trợ MCP native và điện thoại.