speech-to-text

OpenAI Whisper 模型的 C/C++ 移植版

免费、开源且可扩展的语音转文字应用，完全离线运行。

以隐私为先的 AI 会议助理，具 4 倍更快的 Parakeet/Whisper 实时转录、说话者分离与基于 Rust 的 Ollama 摘要，100% 本地处理，无需云端。Meetily（Meetly Ai）是 macOS 与 Windows 上首屈一指的自托管、开源 AI 会议笔记工具。了解如何编写会议纪要

使用单个文件分发和运行大型语言模型（LLM）。

使用 CTranslate2 的 Faster Whisper 转录

WhisperX：具备单字层级时间戳（及说话者分割）的自动语音识别

YC (S26) | 开放电脑历史 | 本地持续录制屏幕并为您的代理（Claude、Codex、Openclaw、Hermes、Runner…）提供上下文信息

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

将视频从一种语言翻译成另一种语言，并嵌入配音与字幕。

🧠 Leon 是你的开源个人助理

kaldi-asr/kaldi 是 Kaldi 项目的官方位置。

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

使用开源模型构建语音代理

Gradio WebUI 为创作者与开发者提供关键 TTS（Edge‑TTS、kokoro）与零样本语音克隆（E2 & F5‑TTS、CosyVoice），并支持 Whisper 音频处理、YouTube 下载、Demucs 人声分离与多语言翻译

VoiceStudio 是开源、完全本地化的 ElevenLabs 替代方案——支持 646 种语言的语音克隆、语音设计、视频配音、口述、转录与有声书制作。

基于 PyTorch 的语音工具包

实时、本地语音转文字，支持流式 ASR、说话者分离、翻译，并兼容 OpenAI/Deepgram API。

具备先进语音活动检测、唤醒词激活和即时转录功能的高效、低延迟语音转文字库

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。

支持多种引擎与 API 的 Python 语音识别模块，支持在线与离线模式

基于深度学习的中文语音识别系统

一个基于 Apple MLX 框架的文字转语音（TTS）、语音转文字（STT）与语音转语音（STS）库，提供在 Apple Silicon 上高效的语音分析。

💬 你网站的语音识别

Apple Silicon 上的本机语音 AI

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

Silero 模型：让预训练文字转语音模型变得极度简单

具备本地（Nvidia Parakeet/Whisper）与云端模型（BYOK）的语音转文字应用程序，注重隐私，跨平台可用

基于 OpenAI Whisper 的自动语音识别与说话者分离

开源语音 AI 平台。自托管替代 Vapi 和 Retell。可本地部署，BYOK，支持 Speech to Speech 或 LLM/STT/TTS，带视觉工作流程构建器，MCP 原生与电话线路支持。