speech-to-text

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。

开源 AI 视频本地化工具：自动完成 YouTube/Bilibili 视频下载、字幕识别与翻译、语音克隆配音、音轨混合与字幕压缩。

语音识别转文字工具 / 一个离线运行的本地音视频转字幕工具，输出 json、srt 字幕、纯文字格式

JAX 版 OpenAI Whisper 模型实现，可在 TPU 上提升至 70 倍速度

Python 用于实时通信的库。

设备端字幕生成工具，可直接连接 DaVinci Resolve、Premiere 和 After Effects。

基于 Windows LiveCaptions 的轻量且强大的实时音频/语音翻译工具

按住快捷键说话，松开即得到经 AI 精炼的文字。开源语音输入，支持 macOS & Windows。

OpenAI Whisper ASR 网络服务 API

适合不想折腾 Python 的用户的 Whisper 与 Faster-Whisper 独立可执行文件。

LLaMA-Omni 是一個基於 Llama-3.1-8B-Instruct 構建的低延遲、高質量端到端語音交互模型，旨在達到 GPT-4o 級別的語音能力。

开源、本地、可自托管的 Amazon Echo/Google Home 竞争性语音助手替代品

通过网页 UI 100% 在本地将任何音频转录为文字、翻译并编辑字幕。由 whisper 模型驱动！

Lingvo

支持词级时间戳和置信度的多语言自动语音识别

录制屏幕，发布演示。免费且开源、GPU 加速、无水印、无订阅费。支持 Windows、macOS、Linux。持续积极维护中。

适用于 Google Meet、Microsoft Teams 与 Zoom 的开源会议转录 API。支持自动加入机器人、实时 WebSocket 转录、适用于 AI 代理的 MCP 服务器。可自行托管或使用托管的 SaaS。

在你的应用中使用前沿的 CoreML 音频模型——文字转语音、语音转文字、语音活动检测与发言者分离。使用 Swift 开发，由 SOTA 开源技术驱动。

Cluely 的开源替代方案 - 一款极速、注重隐私的 AI 助理，能在会议、面试和对话期间无缝运作且不被察觉。使用 Tauri 构建以获得原生性能，仅 10MB。在视频通话、画面共享和录制中完全无法被检测。

🐸STT - 用于语音转文字的深度学习工具包。训练与部署 STT 模型从未如此简单。

一款由 ggml 驱动的一体化纯 C++ 音频模型推理引擎。支持 TTS、STT、VAD、语音转换、音乐生成等功能，具备高度优化的性能，无 Python 依赖。

🔊 Whisper 精彩资源列表 — 由 OpenAI 开发的开源 AI 语音识别系统

开源免费的 Wispr Flow 替代方案 | 集成 FunASR 本地模型和可配置大语言模型的下一代中文桌面语音工作流

ASR/STT 字幕生成器。使用 Qwen3-ASR、本地 LLM、Whisper、TEN-VAD。针对 JAV 具备抗噪能力

使用 tensorflow 深度学习框架与 sequence-to-sequence 神经网络的语音识别

免费、简单且可移植的游戏音频引擎

具备简单 API 的浏览器语音活动检测器（VAD）

支持 16 种以上模型家族的 ggml 语音转文本推理

具备自动转录功能的语音音频编辑器