asr

WhisperX：具备单字层级时间戳（及说话者分割）的自动语音识别

开源语音识别工具包，支持训练、推理、流式 ASR、VAD、标点、说话人分离流水线，并提供兼容 OpenAI / MCP 的服务接口

为研究人员与开发者打造的可扩展生成式 AI 框架，支持大型语言模型、多模态与语音 AI（自动语音识别与文本转语音）

支持 Android、iOS、Raspberry Pi 与服务器的离线语音识别 API，提供 Python、Java、C# 与 Node 接口

使用次世代 Kaldi 与 onnxruntime 的语音转文字、文字转语音、说话者分离、语音增强、声源分离与 VAD，支持离线运行。支持嵌入式系统、Android、iOS、HarmonyOS、Raspberry Pi、RISC‑V、RK NPU、Axera NPU、Ascend NPU、x86_64 服务器、WebSocket 服务器/客户端，支持 12 种编程语言

易用的语音工具包，包含自监督学习模型、SOTA/流式 ASR（含标点）、流式 TTS（含文字前端）、说话者验证系统、端到端语音翻译与关键词检测。荣获 NAACL2022 最佳示范奖

基于 PyTorch 的语音工具包

开源 SenseVoiceSmall 模型，支持普通话、粤语、英语、日语和韩语的语音识别、语言识别、情绪识别和音频事件检测。

这是一个 Python API，可获取指定 YouTube 视频的文字稿/字幕，支持自动生成的字幕，且不需要 API 密钥或无头浏览器，与其他基于 Selenium 的解决方案不同

🤖 wukong-robot 是一个简单、灵活、优雅的中文语音对话机器人/智能音箱项目，支持 ChatGPT 多轮对话能力，还可能是首个支持脑机交互的开源智能音箱项目

基于 FunASR 的视频转录、字幕生成与 LLM 协助剪辑工具，配备本地 Gradio UI

基于 OpenAI Whisper 的自动语音识别与说话者分离

html5 js 录音 mp3 wav ogg webm amr g711a g711u 格式，支持 PC 和 Android、iOS 部分 Web 浏览器、Hybrid App（提供 Android iOS App 源码）、微信，提供 ASR 语音识别转文字 H5 版语音通话聊天示例 DTMF 编码解码

先行生产且即时可用的端到端语音识别工具包

语言学习媒体播放器，支持双字幕、AI 生成字幕、实时翻译等功能。

Streamer-Sales 销冠 —— 卖货主播 LLM 大模型🛒🎁，一个能够根据给定的商品特点从激发用户购买意愿角度出发进行商品解说的卖货主播大模型。🚀⭐内含详细的数据生成流程❗ 📦另外还集成了 LMDeploy 加速推理🚀、RAG检索增强生成 📚、TTS文字转语音🔊、数字人生成 🦸、Agent 使用网络查询实时信息🌐、ASR 语音转文字🎙️、Vue 生态搭建前端🍍、FastAPI 搭建后端🗝️、Docker-compose 打包部署🐋

按住快捷键说话，松开即得到经 AI 精炼的文字。开源语音输入，支持 macOS & Windows。

OpenAI Whisper ASR 网络服务 API

适合不想折腾 Python 的用户的 Whisper 与 Faster-Whisper 独立可执行文件。

使用 PySide6 的 faster_whisper 图形用户界面

[AutoArk] GPA (General Purpose Audio) 只需一个极小的模型即可进行 ASR、TTS 与语音转换！

Lingvo

支持词级时间戳和置信度的多语言自动语音识别

在你的应用中使用前沿的 CoreML 音频模型——文字转语音、语音转文字、语音活动检测与发言者分离。使用 Swift 开发，由 SOTA 开源技术驱动。

🐸STT - 用于语音转文字的深度学习工具包。训练与部署 STT 模型从未如此简单。

快速提取音视频内容，整理成一份结构化的markdown笔记

一款由 ggml 驱动的一体化纯 C++ 音频模型推理引擎。支持 TTS、STT、VAD、语音转换、音乐生成等功能，具备高度优化的性能，无 Python 依赖。

支援普通话、中文方言与英语的开源工业级 ASR 模型，在公开的普通话 ASR 基准测试中达到全新的 SOTA，同时提供出色的歌唱歌词辨识能力。

支持 16 种以上模型家族的 ggml 语音转文本推理

次世代 AI+IoT 框架，支援 T2/T3/T5AI/ESP32 等晶片 – 快速整合物联网与 AI Agent 硬件