speech-recognition

语音 AI 研究中枢：涵盖语音 LLM、语音识别、TTS、音乐与语音生成的论文、开源模型、基准测试与数据集。

开箱即用的自托管离线转录与说话人日志服务，并附带 LLM 摘要

Whisper.net。使用 Whisper Models 轻松实现语音转文字

Espresso：一个快速的端到端神经语音识别工具包

一个基于 Python 的桌面语音助手，能够执行系统级指令、整合语音识别与文字转语音，并处理异步的用户互动。

针对流式传输与设备端使用优化的 Whisper 模型

一个无需互联网即可在你自己的计算机上运行的会说话的 LLM。

:speech_balloon: SpeechPy - 语音处理与识别库：http://speechpy.readthedocs.io/en/latest/

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

为你的 React 应用加入语音识别功能💬

Connectionist Temporal Classification (CTC) 解码算法：最佳路径、Beam Search、词典搜索、前缀搜索与 Token Passing。以 Python 实现。

使用 OpenAI 的 Whisper 建立实时语音转文字网页应用程序 https://openai.com/blog/whisper/

描述性深度学习

适用于 Linux 的免费、开源、100% 离线语音听写工具。通过 whisper.cpp、Whisper 与 VOSK 引擎支持随处语音输入，具备 GPU 加速，支持 X11 与 Wayland！

🎤 Lobe TTS - 适用于服务器与的高质量且可靠的 TTS/STT 库

语音转文字再转语音。歌曲正在播放中。将文本作为 OSC 消息发送至 VRChat 以显示在虚拟化身上。(STTTS) (Speech to TTS) (VRC STT System) (VTuber TTS)

whisper.cpp 的 React Native 绑定。

语音识别任务的基础模型

用于引人入胜对话的本地语音聊天机器人，由 Ollama、Hugging Face Transformers 与 Coqui TTS Toolkit 提供支持

允许使用者搭配 OpenAI whisper 使用麦克风的项目。

🎤 在 Swift 中进行语音转文字的最简单方法

一个 100% 私密的 AI 语音转文字应用程序，支持 100 多种语言的语音转文字。使用 Compose Multiplatform 为 Android 和 iOS 开发，并基于 Whisper AI —— 无需上传云端，所有处理皆在设备端完成，确保完整隐私。

📦 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)

用于音频处理的深度学习

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。

一个实时无声语音识别工具。

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

Allosaurus 是一个预先训练的通用语音识别器，支持超过 2000 种语言

适用于 Android 的隐私且端侧的语音识别键盘与服务。

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。