speech-to-text

大型语言模型（LLMs）在音频 AI 应用之资源收集

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。

Rapida 是一个开源的端到端语音 AI 编排平台，用于构建具备音频流、STT、TTS、VAD、多通道集成、代理状态管理与可观测性的实时对话语音代理。

Adapt 意图解析器

适用于 OBS、VRChat、Twitch 聊天室与 Discord 的语音转文字和 KB 输入字幕

语音 API 示例。

语音转文字性能评测框架

一个免费的本地桌面应用程序，可从视频中提取字幕 (SRT) 并将其翻译成任何语言 —— 无限制使用、无需注册、无需云端。

适用于 React Native Expo 项目的语音识别

使用 Whisper 与 LLM（GPT、Claude 等）将语音转录并翻译成 LRC 文件。

由深度学习驱动的设备端流式语音转文字引擎

:speech_balloon: /so.nus/ 适用于 Node 的 STT (语音转文字)，具备离线热词检测功能

建立用于线上监考自动化监控的软体

适用于 Apple Silicon Mac 的快速、隐私、本地优先语音应用程序，支持听写、文件/媒体转录、会议录音、转换功能及公开自动化 CLI。免费且开源。

使用 WhisperKit 进行本地语音转文字的原生 macOS 菜单栏听写应用程序

用于多语言 ASR 与 TTS 模型的 C++ ggml 运行时中心：包含 Cohere Transcribe、Parakeet TDT、Voxtral、Canary 1B v2 等，并支持通用强制对齐等功能。

使用 faster-whisper 进行实时语音转文字。

使用 Vosk 库开发的 Android 开源设备端语音输入法（键盘）。

使用 Playwright 解决 reCAPTCHA v2 与 v3 的 Python 库。

支持多种推理引擎的 Whisper 模型语音转文字优化流水线。

为 VRChat 制作的模块化节点编程语言、程序创建器、动画系统、工具组、路由器与调试器

🗣 一个在自定义 UI 中获取用户语音权限并将输入转为文本的覆盖界面

Browser-only Canva-style presentation studio, powered by local Web AI.

韩语语音识别 STT API 列表及性能基准测试。

Lightning-fast, free, local first voice dictation for macOS with on-device transcription

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

Phonetisaurus G2P 语音转文字系统。

此工具使用 AI 来评估您的发音

Open-source AI voice typing for macOS, Windows, and Linux. Press a hotkey, speak naturally, get polished text in any app.

开源音频与视频转录软件。