asr

WhisperX：具備單字層級時間戳記（及說話者分割）的自動語音辨識

開源語音辨識工具包，支援訓練、推論、串流 ASR、VAD、標點、說話者分割流程，並提供相容 OpenAI / MCP 的服務介面

為研究人員與開發者打造的可擴展生成式 AI 框架，支援大型語言模型、多模態與語音 AI（自動語音辨識與文字轉語音）

支援 Android、iOS、Raspberry Pi 與伺服器的離線語音辨識 API，提供 Python、Java、C# 與 Node 介面

使用次世代 Kaldi 與 onnxruntime 的語音轉文字、文字轉語音、說話者分離、語音增強、聲源分離與 VAD，支援離線運行。支援嵌入式系統、Android、iOS、HarmonyOS、Raspberry Pi、RISC‑V、RK NPU、Axera NPU、Ascend NPU、x86_64 伺服器、WebSocket 伺服器/客戶端，支援 12 種程式語言

易用的語音工具包，包含自監督學習模型、SOTA/串流 ASR（含標點）、串流 TTS（含文字前端）、說話者驗證系統、端到端語音翻譯與關鍵詞偵測。榮獲 NAACL2022 最佳示範獎

基於 PyTorch 的語音工具包

開源 SenseVoiceSmall 模型，支援中文（普通話、粵語）、英文、日文與韓文的語音辨識、語言識別、情緒辨識與音訊事件偵測。

這是一個 Python API，可取得指定 YouTube 影片的文字稿/字幕，支援自動產生的字幕，且不需要 API 金鑰或無頭瀏覽器，與其他基於 Selenium 的解決方案不同

🤖 wukong-robot 是一個簡單、靈活、優雅的中文語音對話機器人/智能音箱專案，支援 ChatGPT 多輪對話功能，亦可能是首個支援腦機交互的開源智能音箱專案

基於 FunASR 的影片轉錄、字幕生成與 LLM 協助剪輯工具，配備本地 Gradio UI

基於 OpenAI Whisper 的自動語音識別與說話者分離

html5 js 录音 mp3 wav ogg webm amr g711a g711u 格式，支持 PC 和 Android、iOS 部分 Web 浏览器、Hybrid App（提供 Android iOS App 源码）、微信，提供 ASR 语音识别转文字 H5 版语音通话聊天示例 DTMF 编码解码

先行生產且即時可用的端到端語音辨識工具包

語言學習媒體播放器，支援雙字幕、AI 生成字幕、即時翻譯等功能。

Streamer-Sales 销冠 —— 卖货主播 LLM 大模型🛒🎁，一個能夠根據給定的商品特點從激發用戶購買意願角度出發進行商品解說的賣貨主播大模型。🚀⭐內含詳細的數據生成流程❗ 📦另外還集成了 LMDeploy 加速推理🚀、RAG檢索增強生成 📚、TTS文字轉語音🔊、數字人生成 🦸、Agent 使用網路查詢實時資訊🌐、ASR 語音轉文字🎙️、Vue 生態搭建前端🍍、FastAPI 搭建後端🗝️、Docker-compose 打包部署🐋

按住快捷鍵說話，松開即得到經 AI 精煉的文字。開源語音輸入，支援 macOS & Windows。

OpenAI Whisper ASR 網路服務 API

適合不想折騰 Python 的使用者的 Whisper 與 Faster-Whisper 獨立執行檔。

[AutoArk] GPA (General Purpose Audio) 只需一個極小的模型即可進行 ASR、TTS 與語音轉換！

使用 PySide6 的 faster_whisper 圖形使用者介面

Lingvo

支援字詞級時間戳記與信心度的多語言自動語音辨識

在你的應用程式中使用前沿的 CoreML 音訊模型——文字轉語音、語音轉文字、語音活動偵測與發言者分離。使用 Swift 開發，由 SOTA 開源技術驅動。

🐸STT - 用於語音轉文字的深度學習工具組。訓練與部署 STT 模型從未如此簡單。

快速提取音視頻內容，整理成一份結構化的markdown筆記

一款由 ggml 驅動的一體化純 C++ 音訊模型推理引擎。支援 TTS、STT、VAD、語音轉換、音樂生成等功能，具備高度優化的效能，無需依賴 Python。

支援普通話、中文方言與英語的開源工業級 ASR 模型，在公開的普通話 ASR 基準測試中達到全新的 SOTA，同時提供出色的歌唱歌詞辨識能力。

支援 16 種以上模型家族的 ggml 語音轉文字推理

次世代 AI+IoT 框架，支援 T2/T3/T5AI/ESP32 等晶片 – 快速整合物聯網與 AI Agent 硬體