speech-to-text

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.

Công cụ bản địa hóa video AI mã nguồn mở: tự động tải xuống video YouTube/Bilibili, nhận diện và dịch phụ đề, lồng tiếng nhân bản giọng nói, trộn âm thanh và chèn phụ đề.

Công cụ nhận diện giọng nói thành văn bản / Công cụ chuyển đổi âm thanh và video cục bộ chạy ngoại tuyến thành phụ kiện, hỗ trợ xuất định dạng json, phụ đề srt và văn bản thuần túy

Bản cài đặt JAX của mô hình Whisper từ OpenAI giúp tăng tốc lên tới 70 lần trên TPU.

Thư viện python cho giao tiếp thời gian thực

Tạo phụ đề trên thiết bị kết nối trực tiếp với DaVinci Resolve, Premiere và After Effects.

Công cụ dịch âm thanh/giọng nói thời gian thực nhẹ và mạnh mẽ dựa trên Windows LiveCaptions.

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.

LLaMA-Omni là mô hình tương tác giọng nói đầu cuối có độ trễ thấp và chất lượng cao được xây dựng trên nền tảng Llama-3.1-8B-Instruct, nhằm đạt được khả năng giọng nói ở cấp độ GPT-4o.

Giải pháp thay thế trợ lý giọng nói cạnh tranh với Amazon Echo/Google Home, mã nguồn mở, chạy cục bộ và tự lưu trữ

Chuyển đổi mọi âm thanh thành văn bản, dịch và chỉnh sửa phụ đề hoàn toàn ngoại tuyến với giao diện web UI. Được hỗ trợ bởi các mô hình whisper!

Lingvo

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

API phiên âm cuộc họp mã nguồn mở cho Google Meet, Microsoft Teams & Zoom. Bot tự join, bản ghi WebSocket thời gian thực, máy chủ MCP cho AI agent. Tự host hoặc sử dụng dịch vụ SaaS.

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.

Giải pháp thay thế mã nguồn mở cho Cluely - Trợ lý AI siêu nhanh, ưu tiên quyền riêng tư, hoạt động mượt mà trong các cuộc họp, phỏng vấn và trò chuyện mà không ai biết. Được xây dựng bằng Tauri cho hiệu năng nguyên bản, dung lượng chỉ 10MB. Hoàn toàn không thể bị phát hiện trong cuộc gọi video, chia sẻ màn hình và bản ghi.

🐸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.

🔊 Danh sách tổng hợp tuyệt vời cho Whisper — hệ thống nhận dạng giọng nói tích hợp AI mã nguồn mở do OpenAI phát triển

Ghi màn hình, xuất bản bản demo. Miễn phí và mã nguồn mở, tăng tốc GPU, không watermark, không phí đăng ký. Windows, macOS, Linux. Được duy trì phát triển tích cực.

Giải pháp thay thế Wispr Flow mã nguồn mở miễn phí | Quy trình làm việc bằng giọng nói trên máy tính để bàn tiếng Trung thế hệ tiếp theo tích hợp mô hình cục bộ FunASR và mô hình ngôn ngữ lớn có thể cấu hình

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.

Công cụ tạo phụ đề ASR/STT. Sử dụng Qwen3-ASR, LLM cục bộ, Whisper, TEN-VAD. Kháng nhiễu hiệu quả cho JAV

🎙 Nhận dạng giọng nói sử dụng framework học sâu tensorflow, mạng thần kinh chuỗi-sang-chuỗi (sequence-to-sequence)

Côngengine âm thanh miễn phí, dễ sử dụng và di động cho trò chơi

Bộ phát hiện hoạt động giọng nói (VAD) cho trình duyệt với API đơn giản

Trình chỉnh sửa âm thanh lời nói tích hợp tự động chuyển âm thanh thành văn bản.

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