speech-recognition

💎 适用于 ASR、TTS 及其他语音技术的无障碍语音语料库列表

在配备 Apple Silicon 的 Mac 上微调 LLMs。支持 SFT、DPO、GRPO、Vision、TTS、STT、Embedding 与 OCR 微调 —— 基于 MLX 原生实现。兼容 Unsloth API。

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。

基于 CTranslate2、兼容原始 OpenAI 客户端的 Whisper 命令行客户端。

使用 Python 库构建的个人助理。它几乎可以做任何事情，包括发送电子邮件、光学文字识别、通过 API 集成随时动态播报新闻、待办事项列表生成器、仅通过语音命令打开任何网站、播放音乐、维基百科搜索、具有智能感知功能的词典（即自动拼写检查）、天气报告（即温度、风速、湿度）

适用于 Wayland 复合管理器的按住发言语音转文字工具

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。

Pruna 是一个为开发者打造的模型优化框架，能让你以极低的额外开销交付更快、更高效的模型。

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

一个语音聊天应用程序

💁 自然语言处理 Transformers 模型精选宝库，包含论文、视频、博客、官方代码库以及 Colab 笔记本。 🛫☑️

使用 Apple Foundation Models 框架构建、测试与评估应用程序的实作实验室。

配备个人 AI 助理团队的私人日志。AI 会读取你的记录并建议下一步操作——由你批准更改。在你的设备之间进行端到端加密同步——服务器永远只能看到密文。可选用本地 AI。

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

Irina - 离线运行的俄语语音助手。通过插件支持技能。

用于在机器学习项目中处理多模态数据的工具。

应用程序的自我编码系统 — 适用于 Cordova 的 Alan AI SDK

[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。

用于在 Youtube/Twitch 上进行串流直播的 AI Vtuber

这是一款开源的 iOS 应用程序，让移动设备上的高质量语音转录变得更容易获取。

💬📝 使用 OpenAI 的 Whisper 语音识别模型的轻量语音听写应用程序。

基于 Kaldi 工具包与 GStreamer 架构的实时全双工语音识别服务器。

使用 Vosk 库为 Android 提供离线语音识别。

Kaldi 的 Python 包装器

⚡ TensorFlowASR：Tensorflow 2 中几乎达 SOTA 的自动语音识别。支持使用字符或子字的语言

使用 AI 进行逐字稿转录、内容理解与视频中任意内容搜索的编辑工具，已整合 ChatGPT 与其他 AI 模型

基于新一代 Kaldi 的语音转文字服务器框架

使用自托管 Whisper 与 WebSocket 在 Python/JS 中实现近即时音频转录。