#speech-recognition Repositories
Insgesamt 206 Repositories
🐸STT - Das Deep-Learning-Toolkit für Speech-to-Text. Das Trainieren und Bereitstellen von STT-Modellen war noch nie so einfach.
Cicada · Echtzeit-Untertitel, Simultandolmetschen und KI-Besprechungsnotizen für jedes Meeting und jeden Livestream. Kostenlos und Open Source für Mac, Windows, Linux und Android.
Ein 0,9B-Modell für die Transkription langer Inhalte in über 50 Sprachen mit Sprecherdiarisierung, Zeitstempeln und Erkennung akustischer Ereignisse
🎙Spracherkennung mit dem TensorFlow Deep-Learning-Framework, Sequence-to-Sequence-Neuralnetze
:microphone: React Native Spracherkennungsbibliothek für iOS und Android (Online- und Offline-Unterstützung)
Open-Source-ASR-Modelle in Industriequalität, die Mandarin, chinesische Dialekte und Englisch unterstützen, neue SOTA-Ergebnisse auf öffentlichen Mandarin-ASR-Benchmarks erzielen und auch eine herausragende Fähigkeit zur Erkennung von Gesangstexten bieten.
Eine kuratierte Liste toller Speaker-Diarization-Papiere, Bibliotheken, Datensätze und anderer Ressourcen.
Das offizielle Repository von Qwen-Audio (通义千问-Audio) Chat & vortrainiertes großes Audio-Sprachmodell, das von Alibaba Cloud vorgeschlagen wurde.
Echtzeit-Spracherkennung und Sprachaktivitätserkennung (VAD) mit Next-Gen Kaldi mit ncnn ohne Internetverbindung. Unterstützung für iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A usw.
Speech Note Linux App. Notizen machen, lesen und übersetzen mit Offline-Spracherkennung (Speech to Text), Sprachausgabe (Text to Speech) und maschineller Übersetzung.
Kostenlose Open-Source-Spracheingabe für macOS und Windows. Lokale Spracherkennung mit Whisper und Parakeet, funktioniert auch offline.
Amica ist eine Open-Source-Schnittstelle zur interaktiven Kommunikation mit 3D-Charakteren mit Sprachsynthese und Spracherkennung.
Fun-ASR-Spracherkennungsmodelle mit nativer Unterstützung für Hugging Face Transformers für Fun-ASR-Nano sowie separaten Bereitstellungspfaden für FunASR, vLLM und llama.cpp.
DELTA ist eine auf Deep Learning basierende Plattform zur Verarbeitung natürlicher Sprache und Sprache. LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
Benutzerdefinierte Knoten, die die Fähigkeiten von Comfyui erweitern
Steuerbare Transkription. Wortgetreu (jedes Füllwort, jede Pause, jedes Stottern und jeder Laut) oder sinngemäß (was die sprechende Person sagen wollte, für bessere Lesbarkeit optimiert), mit Zeitstempeln auf Wortebene.
Persönlicher Assistent, der mit Python-Bibliotheken erstellt wurde. Er erledigt fast alles, einschließlich des Sendens von E-Mails, der optischen Texterkennung, der dynamischen Nachrichtenberichterstattung jederzeit mit API-Integration, der Erstellung von To-Do-Listen, dem Öffnen beliebiger Websites per Sprachbefehl, dem Abspielen von Musik, der Wikipedia-Suche, dem Wörterbuch mit intelligentem Erfassen d.h. automatische Rechtschreibprüfung, Wetterberichterstattung d.h. Temperatur, Windgeschwindigkeit, Luftfeuchtigkeit, YouTube-Suche, Google Maps-Suche, YouTube-Download usw.
Dieses Repo enthält die Skripte, Modelle und erforderlichen Dateien für die Deep Noise Suppression (DNS) Challenge.
LLMs auf deinem Mac mit Apple Silicon fine-tunen. SFT, DPO, GRPO, Vision, TTS, STT, Embedding und OCR-Fine-Tuning — nativ auf MLX. Unsloth-kompatible API.
Pruna ist ein Framework zur Modelloptimierung, das für Entwickler entwickelt wurde und es Ihnen ermöglicht, schnellere, effizientere Modelle mit minimalem Overhead zu liefern.
💎 Eine Liste zugänglicher Sprachkorpora für ASR, TTS und andere SprachTechnologien
Ein Whisper-Befehlszeilenclient, der mit dem ursprünglichen OpenAI-Client auf Basis von CTranslate2 kompatibel ist.
Ein einfaches Demo-Spielzeug eines lokalen Sprachassistenten mit Whisper und einem großen Sprachmodell.
KI-Sprach-Toolkit für Apple Silicon — ASR, TTS, Speech-to-Speech, VAD und Diarization, unterstützt von MLX und CoreML
StreamSpeech ist ein "All in One" nahtloses Modell für Offline- und gleichzeitige Spracherkennung, Sprachübersetzung und Sprachsynthese.
WebSocket-, gRPC- und WebRTC-Sprachrecognitions-Server basierend auf den Vosk- und Kaldi-Bibliotheken
Ein GUI-Tool für die Offline-Transkription von Sprachaufnahmen, einschließlich Sprecherdiarisierung, unter Verwendung modernster maschineller Lernmodelle.
Feinabstimmung des Whisper-Spracherkennungsmodells zur Unterstützung des Trainings ohne Zeitstempeldaten, des Trainings mit Zeitstempeldaten und des Trainings ohne Sprachdaten. Beschleunigung der Inferenz und Unterstützung für Web-Bereitstellungen, Windows-Desktop-Bereitstellungen und Android-Bereitstellungen