voice-activity-detection

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

用于说话者分割的神经构建模块：语音活动检测、说话者变换检测、重叠语音检测、说话者嵌入

Linux 上的实时麦克风噪声抑制

Silero VAD：预训练的企业级语音活动检测器

自动同步字幕与视频。

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。

语音活动检测（VAD）：低延迟、高性能且轻量

🔊 语音与声音计算开源数据集的完整清单（95+ 个数据集）。

具备简单 API 的浏览器语音活动检测器（VAD）

一个用于构建 AI 驱动的实时音频应用程序的 Python 套件

使用新一代 Kaldi 与 ncnn 在无网络连接下进行实时语音识别与语音活动检测（VAD）。支持 iOS、Android、Linux、macOS、Windows、Raspberry Pi、VisionFive2、LicheePi4A 等。

💎 适用于 ASR、TTS 及其他语音技术的无障碍语音语料库列表

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

Python AI 助手 🧠

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

基于 CNN 的音频分割工具包。可用于检测语音、音乐、噪音与说话者性别，专为基于各性别说话时间的大规模两性平等研究而设计。

语音活动检测与音频分割工具

一个 SOTA 工业级一体化 ASR 系统，包含 ASR、VAD、LID 和 Punc 模块。FireRedASR2 支持中文（普通话、20+ 种方言/口音）、英文、中英夹杂（code-switching），以及语音和歌唱的 ASR。FireRedVAD 支持 100+ 种语言的语音/歌唱/音乐。FireRedLID 支持 100+ 种语言和 20+ 种中文方言。FireRedPunc 支持中英文。

支持多种推理引擎的 Whisper 模型语音转文字优化流水线。

工业级语音活动检测与音频事件检测技术，支持超过 100 种语言，性能优于 Silero-VAD、TEN-VAD、FunASR-VAD 与 WebRTC-VAD。

使用预训练 DNN、强制对齐与 Transformer 自动同步与翻译字幕，或通过转录创建新字幕。https://subaligner.readthedocs.io/

Android 语音活动检测 (VAD) 库。支持 WebRTC VAD GMM、Silero VAD DNN 与 Yamnet VAD DNN 模型。