asr

使用新一代 Kaldi 與 ncnn 在無網路連線下進行即時語音辨識與語音活動檢測（VAD）。支援 iOS、Android、Linux、macOS、Windows、Raspberry Pi、VisionFive2、LicheePi4A 等。

百聆是一個類似 GPT-4o 的語音對話機器人，透過 ASR+LLM+TTS 實現，整合 DeepSeek R1 等優秀大模型，接入 openClaw，真正的個人語音助理，延遲低至 800ms，Mac 等低配備裝置也可執行，支援中斷

Speech Note Linux 應用程式。具備離線語音轉文字、文字轉語音以及機器翻譯的筆記、閱讀與翻譯功能。

使用 LLM、電腦視覺和自動語音辨識來分析影片。

🎙️ AI 語音聽寫應用程式 - 開源且本機優先 ⚡ 輸入速度提升 3 倍，無需鍵盤。 🆓 基於開源模型驅動，可離線運作，快速且準確。

開源基於 LLM 的中文、方言、口音及多語種語音 ASR 模型家族，具備 FunASR、vLLM、串流與 llama.cpp 執行階段。

🍦 Speech-AI-Forge 是一個圍繞 TTS 生成模型開發的專案，實作了 API 伺服器與基於 Gradio 的 WebUI。

影片同步翻譯與影片配音

可控制的轉錄。逐字（包含每個填補詞、停頓、口吃、聲音）或意圖（說話者想表達的意思，針對可讀性優化），並帶有單詞級別的時間戳記。

與 Claude Code 進行自然語音對話

即時互動數位人，可自訂形象與音色，支援音色複製，對話延遲低至 3 秒

StreamSpeech 是一個用於離線與同步語音辨識、語音翻譯及語音合成的「一體化」無縫模型。

基於 Vosk 與 Kaldi 庫的 WebSocket、gRPC 和 WebRTC 語音辨識伺服器

微調 Whisper 語音辨識模型，支援無時間戳資料訓練、有時間戳資料訓練以及無語音資料訓練。加速推論並支援 Web 部署、Windows 桌面部署與 Android 部署

適用於 Apple Silicon 的 AI 語音工具組 — 由 MLX 與 CoreML 驅動的 ASR、TTS、語音轉語音、VAD 與說話者分段

專為真實世界打造的第一個基礎 ASR——具備 7 種原子級聲學條件、54 種複合情境、260 萬個樣本，在其他模型紛紛失效的環境下，效能比 SOTA 提升高達約 30%。**當其他模型在實戰中失敗時，你最後還是會回到 MEGA-ASR。⭐**

[非官方] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) 的 PyTorch 實作

SGLang-Omni 為 TTS、ASR、語音與全能模型提供高效能服務。

使用 Vosk 函式庫為 Android 提供離線語音辨識。

開源影片翻譯技能

完全本地、隱私且跨平台的語音轉文字工具，並具備 LLM 後處理功能

Kaldi 的 Python 包裝器

多合一多模態解析引擎，結合本體論與 LLM Wiki 驅動的 AI 就緒知識引擎

基於新一代 Kaldi 的語音轉文字伺服器框架

Espresso：一個快速的端到端神經語音辨識工具包

VocoType 是一款運行在本地端側的隱私安全語音輸入工具，透過快捷鍵即可將語音實時轉換為文字並自動輸入到當前應用。支援語音轉文字 MCP、AI 優化文本、自定義替換詞典、錄音影片轉文字等功能，讓語音輸入更高效、更安全。

此專案提供具備使用者層級存取支援的 API，使用微調並處理過的 Whisper ASR 模型將語音轉為文字。

🔥🔥🔥Java免費離線AI演算法工具箱，支援人臉識別、活體檢測、表情識別、目標檢測、實例分割、行人檢測、OCR文字識別、車牌識別、表格識別、ASR+TTS、機器翻譯等功能，Maven引用即可使用。支援PyTorch、Tensorflow，已整合 Mtcnn、InsightFace、SeetaFace6、YOLOv8~v12、PaddleOCR(PPOCRv5)、Whisper等主流模型

一個使用者友善的語音辨識、轉錄、轉換等工具箱 | 简单易用的语音工具箱

基於 PaddlePaddle 實現端到端中文語音識別，從入門到實戰，超簡單的入門案例，超實用的企業專案。支援當前最流行的 DeepSpeech2、Conformer、Squeezeformer 模型