asr

使用新一代 Kaldi 与 ncnn 在无网络连接下进行实时语音识别与语音活动检测（VAD）。支持 iOS、Android、Linux、macOS、Windows、Raspberry Pi、VisionFive2、LicheePi4A 等。

百聆 是一个类似 GPT-4o 的语音对话机器人，通过 ASR+LLM+TTS 实现，集成 DeepSeek R1 等优秀大模型，接入 openClaw，真正的个人语音助手，时延低至 800ms，Mac 等低配置也可运行，支持打断

Speech Note Linux 应用程序。具备离线语音转文字、文字转语音以及机器翻译的笔记、阅读与翻译功能。

使用 LLM、计算机视觉和自动语音识别来分析视频。

🎙️ AI 语音听写应用程序 - 开源且本地优先 ⚡ 输入速度提升 3 倍，无需键盘。 🆓 基于开源模型驱动，可离线运行，快速且准确。

开源基于 LLM 的中文、方言、口音及多语种语音 ASR 模型家族，具备 FunASR、vLLM、流式与 llama.cpp 运行时。

🍦 Speech-AI-Forge 是一个围绕 TTS 生成模型开发的项目，实现了 API 服务器与基于 Gradio 的 WebUI。

视频同步翻译与视频配音

可控制的转录。逐字（包含每个语气词、停顿、口吃、声音）或意图（说话者想表达的意思，针对可读性优化），并带有单词级别的时间戳。

与 Claude Code 进行自然语音对话

实时交互数字人，可自定义形象与音色，支持音色克隆，对话延迟低至 3 秒

StreamSpeech 是一个用于离线与同步语音识别、语音翻译及语音合成的“一体化”无缝模型。

基于 Vosk 与 Kaldi 库的 WebSocket、gRPC 和 WebRTC 语音识别服务器

微调 Whisper 语音识别模型，支持无时间戳数据训练、有时间戳数据训练以及无语音数据训练。加速推理并支持 Web 部署、Windows 桌面部署与 Android 部署

适用于 Apple Silicon 的 AI 语音工具组 — 由 MLX 与 CoreML 驱动的 ASR、TTS、语音转语音、VAD 与说话者分段

专为真实世界打造的第一个基础 ASR——具备 7 种原子级声学条件、54 种复合场景、260 万个样本，在其他模型纷纷失效的环境下，效能比 SOTA 提升高达约 30%。**当其他模型在实战中失败时，你最后还是会回到 MEGA-ASR。⭐**

[非官方] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) 的 PyTorch 实现

SGLang-Omni 为 TTS、ASR、语音与全能模型提供高性能服务。

开源视频翻译技能

使用 Vosk 库为 Android 提供离线语音识别。

完全本地、隐私且跨平台的语音转文字工具，并具备 LLM 后处理功能

Kaldi 的 Python 包装器

多合一多模态解析引擎，结合本体论与 LLM Wiki 驱动的 AI 就绪知识引擎

基于新一代 Kaldi 的语音转文字服务器框架

Espresso：一个快速的端到端神经语音识别工具包

VocoType 是一款运行在本地端侧的隐私安全语音输入工具，通过快捷键即可将语音实时转换为文字并自动输入到当前应用。支持语音转文字 MCP、AI 优化文本、自定义替换词典、录音视频转文字等功能，让语音输入更高效、更安全。

此项目提供具备用户级访问支持的 API，使用微调并处理过的 Whisper ASR 模型将语音转为文字。

🔥🔥🔥Java免费离线AI算法工具箱，支持人脸识别、活体检测、表情识别、目标检测、实例分割、行人检测、OCR文字识别、车牌识别、表格识别、ASR+TTS、机器翻译等功能，Maven引用即可使用。支持PyTorch、Tensorflow，已集成 Mtcnn、InsightFace、SeetaFace6、YOLOv8~v12、PaddleOCR(PPOCRv5)、Whisper等主流模型

一个用户友好的语音识别、转录、转换等工具箱 | 简单易用的语音工具箱

基于 PaddlePaddle 实现端到端中文语音识别，从入门到实战，超简单的入门案例，超实用的企业项目。支持当前最流行的 DeepSpeech2、Conformer、Squeezeformer 模型