#speech-recognition Repositories
Insgesamt 206 Repositories
Lokaler Sprach-Chatbot für ansprechende Gespräche, angetrieben von Ollama, Hugging Face Transformers und Coqui TTS Toolkit
📦 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.
Offline-Spracherkennung mit OpenAI Whisper und TensorFlow Lite für Android
Allosaurus ist ein vortrainierter universeller Telefonerkennungsalgorithmus für mehr als 2000 Sprachen
OpenAmika: Amika, MekaHimes KI-Begleiterin, ist Open Source. Live2D-Avatar, Echtzeit-Sprachausgabe, Langzeitgedächtnis und OpenRouter oder Ollama als Gehirn.
Ming – ermöglicht erweiterte multimodale Verständnis- und Generierungsfunktionen, die auf dem Ling LLM basieren.
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!
Befehlszeilenschnittstelle für die integrierten Spracherkennungs- und Transkriptionsfunktionen in macOS.
Ein kostenloser Audiodatensatz gesprochener Ziffern. Eine Audioversion von MNIST.
Spracheingabe für Fcitx5 – lokale und cloudbasierte Spracherkennung, Überarbeitung mit LLM und Pakete für verschiedene Distributionen
ChatGPT für zu Hause! Eine bessere Alternative zu kommerziellen Smart-Home-Assistenten, gebaut auf dem Raspberry Pi mit LiteLLM und LangGraph.
:speech_balloon: /so.nus/ STT (Sprache zu Text) für Node mit Offline-Hotword-Erkennung
Blitzschnelle, kostenlose und lokal ausgerichtete Spracheingabe für macOS mit Transkription auf dem Gerät
Connectionist Temporal Classification (CTC)-Decoder mit Wörterbuch und Sprachmodell.
🗣 Eine Overlay, die die Sprachberechtigung des Benutzers erhält und Eingaben als Text in einer anpassbaren Benutzeroberfläche
SpeechIO Leaderboard: eine große, robuste, umfassende Benchmark-Plattform für automatische Spracherkennung.
Kostenlose, quelloffene Diktier-App für macOS, bei der die lokale Verarbeitung im Vordergrund steht. Halte ein Tastenkürzel gedrückt, sprich, und der Text wird in eine beliebige App eingefügt. Sprache-zu-Text direkt auf dem Gerät mit Whisper, Parakeet und Apple Speech. Eine private, offlinefähige und quelloffene Alternative zu Wispr Flow.
Hochwertiger und streaming-fähiger Speech-to-Speech-interaktiver Agent in einer einzigen Datei. Prototyp eines intelligenten Agenten für streaming-basiertes Full-Duplex-Sprachinteraktionssystem, implementiert in nur einer Datei!
Liste koreanischer Spracherkennungs-STT-APIs. Leistungsbenchmarks für jede.
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
Crowd-sourcing-basierter emotionaler multimodaler Schauspieler‑Datensatz (CREMA-D)
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!
Automatische Spracherkennung (ASR), Text-to-Speech (TTS) Engine. Chinesisch-Englische Spracherkennung, Mehrrollen-Sprachsynthese, unterstützt mehrere Sprachen, hohe Genauigkeit
Behalten Sie große Modelle im Audiobereich im Auge, einschließlich Sprache, Gesang, Musik usw.