asr

GLM-ASR-Nano：一个具备 15 亿参数的强大开源语音识别模型

在原生环境与浏览器中运行的 Voxtral ASR 与 TTS。使用 Burn ML 框架实现的 Mistral Voxtral mini 实时 ASR / TTS 的 Rust 版本

🎙️ 一款智能语音生产力助手，可将语音转化为干净的文字、有用的动作和结构化知识。它协助用户捕捉灵感、自然沟通、自动化重复性任务，并在各种应用程序与工作流程中保持高生产力。

结合 LLM、ASR、TTS、OCR、CV 等技术的 AI VTuber，可与你直播或游玩 Minecraft。

说点啥（BiBi Keyboard）：一个基于 Kotlin 的 Android 平台 LLM 与 ASR 语音输入法键盘应用程序

📦 快速转化「中文数字」和「阿拉伯数字」～ (最新特性：分数，日期、温度等转化)

基于 PaddlePaddle 实现的语音识别，中文语音识别。项目完善，识别效果佳。支持 Windows、Linux 下训练与预测，并支持 Nvidia Jetson 开发板预测。

在本地机器的 Unity3d 中运行语音转文字模型 (whisper.cpp)。

Pytorch实现的流式与非流式的自动语音识别框架，同时兼容在线和离线识别，目前支持Conformer、Squeezeformer、DeepSpeech2模型，支持多种数据增强方法。

基于 PyTorch-Lightning 与 Hydra 的端到端语音识别开源工具包。

使用 OpenAI Whisper 与 TensorFlow Lite 在 Android 上进行离线语音识别

INTERSPEECH 2023-2024 论文集：收录 INTERSPEECH 2023-24 会议中具有影响力与精彩的研究论文。探索语音与语言处理的最新进展。内含代码。为此存储库点 Star 以支持语音技术的发展！

一个 SOTA 工业级一体化 ASR 系统，包含 ASR、VAD、LID 和 Punc 模块。FireRedASR2 支持中文（普通话、20+ 种方言/口音）、英文、中英夹杂（code-switching），以及语音和歌唱的 ASR。FireRedVAD 支持 100+ 种语言的语音/歌唱/音乐。FireRedLID 支持 100+ 种语言和 20+ 种中文方言。FireRedPunc 支持中英文。

由深度学习驱动的设备端流式语音转文字引擎

实时音频翻译，可撷取系统音频与麦克风，执行 ASR (Whisper/SenseVoice)，并通过 LLM API 进行翻译与流式显示。适用于 VTuber、直播主与观看外语内容。

🤗 Optimum Intel：利用 Intel 优化工具加速推理

语音识别理论、论文和 PPT

📣 商用级开源语音自动识别程序库，开箱即用，全平台支持，中英文混合识别。基于 ONNXRuntime 与 FunASR 的跨平台 ASR 推理实现。我们提供了一组更易于调用 ASR 模型的 API。

开源语音代理平台

跨平台实时字幕显示软件

支持多种推理引擎的 Whisper 模型语音转文字优化流水线。

SpeechIO Leaderboard：一个大型、稳健且全面的自动语音识别基准测试平台。

通过 Vosk 的 WebAssembly 构建，可在浏览器中运行的语音识别库

ICASSP 2023-2024 论文集：收录来自 ICASSP 2023-24 会议中具影响力且令人兴奋的研究论文。探索声学、语音与信号处理的最新进展。内含代码。为此仓库加星以支持音频与信号处理领域的发展！

使用 RPI Zero 2w / 5 构建的口袋型 AI 聊天机器人

Clip any video into a narration recap with claude code skill｜用 claude code skill 把任何视频剪辑成中文解说视频，支持剪映导出

Arabic-first generative speech recognition — Audar-ASR-V1 (Flash + Turbo). #1 on the Open Universal Arabic ASR Leaderboard. Model cards, benchmarks & inference.