voice-activity-detection

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

用於說話者分割的神經建構模組：語音活動偵測、說話者變換偵測、重疊語音偵測、說話者嵌入

Linux 上的即時麥克風噪音抑制

Silero VAD：預訓練的企業級語音活動偵測器

自動同步字幕與影片。

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。

Cluely 的開源替代方案 - 一款極速、注重隱私的 AI 助理，能在會議、面試和對話期間無縫運作且不被察覺。使用 Tauri 建構以獲得原生效能，僅 10MB。在視訊通話、畫面分享和錄製中完全無法被偵測。

語音活動偵測（VAD）：低延遲、高效能且輕量

🔊 語音與聲音運算開源資料集的完整清單（95+ 個資料集）。

具備簡單 API 的瀏覽器語音活動偵測器（VAD）

一個用於建構 AI 驅動的即時音訊應用程式的 Python 套件

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。

💎 適用於 ASR、TTS 及其他語音技術的無障礙語音語料庫清單

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

Python AI 助理 🧠

Whisper.net。使用 Whisper Models 輕鬆實現語音轉文字

基於 CNN 的音訊分割工具包。可用於偵測語音、音樂、噪音與發話者性別，專為基於各性別發話時間的大規模兩性平等研究而設計。

語音活動偵測與音訊分割工具

一個 SOTA 工業級一體化 ASR 系統，包含 ASR、VAD、LID 與 Punc 模組。FireRedASR2 支援中文（普通話、20+ 種方言/口音）、英文、中英夾雜（code-switching），以及語音和歌唱的 ASR。FireRedVAD 支援 100+ 種語言的語音/歌唱/音樂。FireRedLID 支援 100+ 種語言與 20+ 種中文方言。FireRedPunc 支援中英文。

支援多種推論引擎的 Whisper 模型語音轉文字優化管線。

工業級語音活動偵測與音訊事件偵測技術，支援超過 100 種語言，效能優於 Silero-VAD、TEN-VAD、FunASR-VAD 與 WebRTC-VAD。

使用預訓練 DNN、強制對齊與 Transformer 自動同步與翻譯字幕，或透過轉錄建立新字幕。https://subaligner.readthedocs.io/

Android 語音活動檢測 (VAD) 函式庫。支援 WebRTC VAD GMM、Silero VAD DNN 與 Yamnet VAD DNN 模型。