#asr Repositories
Insgesamt 101 Repositories
Vollständig lokal, privat und plattformübergreifende Speech-to-Text mit LLM-Nachbearbeitung
Erstes grundlegendes ASR, das für die reale Welt entwickelt wurde - 7 atomare akustische Bedingungen, 54 zusammengesetzte Szenarien, 2,6 Millionen Stichproben und bis zu ~30% Verbesserung gegenüber SOTA, wo jedes andere Modell versagt. **Sie werden zu MEGA-ASR zurückkehren, nachdem die anderen in der freien Wildbahn versagt haben. ⭐**
[Inoffiziell] PyTorch-Implementierung von "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)
VocoType ist ein datenschutzsicheres Sprach-Eingabewerkzeug, das lokal auf der Client-Seite läuft. Mit einer Tastenkombination wandelt es Sprache in Echtzeit in Text um und gibt diesen automatisch in die aktuelle Anwendung ein. Es unterstützt Funktionen wie MCP-Sprach-zu-Text, KI-optimierter Text, benutzerdefiniertes Ersetzungswörterbuch, Audio-/Video-Transkription usw., was die Spracheneingabe effizienter und sicherer macht.
Sprachaufzeichnungsbegleiter mit BYOK, ASR-Transkription, Sprecherdiarisierung, KI-Zusammenfassungen und Unterstützung lokaler ASR-Endpunkte.
🔥🔥🔥Kostenlose Offline-KI-Algorithmen-Toolbox für Java, die Gesichtserkennung, Lebenderkennung, Emotionserkennung, Objekterkennung, Instanzsegmentierung, Fußgängererkennung, OCR-Texterkennung, Kennzeichenerkennung, Tabellenerkennung, ASR+TTS, maschinelle Übersetzung und weitere Funktionen unterstützt und per Maven-Referenz verwendet werden kann. Unterstützt PyTorch, Tensorflow und hat Mainstream-Modelle wie Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5), Whisper usw. integriert.
Echtzeit-Audioübersetzung, erfasst Systemaudio + Mikrofon, führt ASR (Whisper/SenseVoice) aus, übersetzt über LLM-API mit Streaming-Anzeige. Perfekt für VTuber, Livestreamer und zum Ansehen fremdsprachiger Inhalte.
Spracheingabe für macOS mit lokalen Modellen: Transkribiere, übersetze und formuliere in jeder App um. Der Nachfolger von Voxt.
Dieses Projekt stellt eine API mit Unterstützung für den Benutzerzugriff bereit, um Sprache in Text zu transkribieren, wobei ein feingetuntes und verarbeitetes Whisper ASR-Modell verwendet wird.
Omni SenseVoice: Hochgeschwindigkeits-Spracherkennung mit Zeitstempeln für Wörter 🗣️🎯
BiBi Keyboard: LLM‑ und ASR‑Sprach-Eingabemechanismus‑Tastatur für die Android‑Plattform, basierend auf Kotlin
Benutzerfreundliches Toolkit für Spracherkennung/Transkription/Konvertierung usw. | Einfaches und benutzerfreundliches Sprach-Toolkit
End-to-End-chinesische Spracherkennung basierend auf PaddlePaddle, vom Einstieg bis zur Praxis, super einfache Einstiegsbeispiele, super praktische Unternehmensprojekte. Unterstützt die derzeit beliebtesten Modelle DeepSpeech2, Conformer, Squeezeformer.
GLM-ASR-Nano: Ein robustes Open-Source-Spracherkennungsmodell mit 1,5 Milliarden Parametern
AI‑VTuber mit LLM, ASR, TTS, OCR, CV und weiteren Technologien, um Live‑Streams zu erstellen oder Minecraft mit Ihnen zu spielen.
Voxtral ASR & TTS läuft nativ und im Browser. Eine Rust-Implementierung von Mistral's Voxtral mini Echtzeit-ASR/TTS mit dem Burn ML-Framework
📦 Schnelle Umwandlung zwischen „chinesischen Ziffern“ und „arabischen Ziffern“ ~ (Neueste Funktion: Brüche, Daten, Temperaturen usw.)
Basierend auf PaddlePaddle implementierte Spracherkennung, Chinesische Spracherkennung. Das Projekt ist vollständig und bietet gute Erkennungsleistung. Unterstützt Training und Vorhersage unter Windows und Linux, unterstützt Vorhersage auf dem Nvidia Jetson-Entwicklungsboard.
Ein SOTA-Industrie-All-in-One-ASR-System mit ASR-, VAD-, LID- und Punc-Modulen. FireRedASR2 unterstützt Chinesisch (Mandarin, 20+ Dialekte/Akzente), Englisch, Code-Switching sowie Sprach- und Gesangs-ASR. FireRedVAD unterstützt Sprache/Gesang/Musik in 100+ Sprachen. FireRedLID unterstützt 100+ Sprachen und 20+ chinesische Dialekte. FireRedPunc unterstützt Chinesisch und Englisch.
Führt das Sprach-zu-Text-Modell (whisper.cpp) in Unity3d auf Ihrem lokalen Computer aus.
Ein Pytorch-basiertes Framework für Streaming und Nicht-Streaming-Spracherkennung, das sowohl Online- als auch Offline-Erkennung unterstützt. Derzeit werden Conformer, Squeezeformer und DeepSpeech2-Modelle unterstützt, zusammen mit verschiedenen Datenaugmentationsmethoden.
Open-Source-Toolkit für End-to-End-Spracherkennung unter Nutzung von PyTorch-Lightning und Hydra.
Echtzeit-Sprachtranskription mit FastRTC ⚡️ und lokalem Whisper 🤗
Offline-Spracherkennung mit OpenAI Whisper und TensorFlow Lite für Android
INTERSPEECH 2023-2024 Paper: Eine vollständige Sammlung einflussreicher und spannender Forschungsarbeiten von der INTERSPEECH 2023-24 Konferenz. Entdecken Sie die neuesten Fortschritte in der Sprach- und Sprachverarbeitung. Code enthalten. Sternen Sie das Repository, um die Weiterentwicklung der Sprachtechnologie zu unterstützen!
KI-Agenten-Skillpaket für kommentierte Videos: automatische Szenenschnitte, Bildanalyse zum Verfassen des Sprechertexts, Sprachaufnahme und Audiomischung zur Erstellung des fertigen Videos; Export von Entwürfen für Jianying/CapCut, keine GPU erforderlich | Agenten-Skills für kommentierte Videozusammenfassungen und CapCut-Entwürfe
Amos Untertitelwerkstatt: Moys ASR-Untertitel-Transkriptionsworkflow (kurz MAW)
Eine plattformübergreifende Software zur Anzeige von Echtzeit-Untertitel.
📣 Open-Source-Speech-to-Text-Bibliothek auf kommerziellem Niveau, sofort einsatzbereit, plattformübergreifend unterstützt, gemischte chinesisch-englische Erkennung. Eine plattformübergreifende Implementierung von ASR-Inferenz. Sie basiert auf ONNXRuntime und FunASR. Wir bieten eine Reihe einfacherer APIs zum Aufrufen von ASR-Modellen.
Szenenbewusstes Storyboard für DeepSeek Harness: 9–16 nummerierte Felder mit Zeitstempeln + Transkript + Audiohüllkurve, gebündelt in EINEM Bild (384 Token). Zwei Tools: video_storyboard und video_zoom.
Liste von Open-Source-Modellen für Text-to-Speech (TTS), Stimmenklonung und Musikgenerierung
SpeechIO Leaderboard: eine große, robuste, umfassende Benchmark-Plattform für automatische Spracherkennung.
Transkribieren Sie jede Video-URL oder Audiodatei in Klartext. Keine GPU. Keine Cloud. Ein einziger Befehl.
Eine optimierte Speech-to-Text-Pipeline für das Whisper-Modell mit Unterstützung mehrerer Inferenz-Engines
Eine Spracherkennungsbibliothek, die dank eines WebAssembly-Builds von Vosk im Browser läuft
ICASSP 2023-2024 Paper: Eine vollständige Sammlung einflussreicher und spannender Forschungsarbeiten von den ICASSP 2023-24 Konferenzen. Entdecken Sie die neuesten Fortschritte in den Bereichen Akustik, Sprache und Signalverarbeitung. Code enthalten. Sternen Sie das Repository, um die Weiterentwicklung der Audio- und Signalverarbeitung zu unterstützen!
Sprachsynthese, Spracherkennung und Sprachaktivitätserkennung für Sprachkonversationen in C++ auf ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet und Silero VAD auf Metal, Vulkan und der CPU, mit einem OpenAI-kompatiblen Server und Live-Transkription.