#speech-to-text Repositories
Entdecke 211 aktive Open-Source-GitHub-Repositories, die mit #speech-to-text getaggt sind und insgesamt 925,003 Sterne gesammelt haben (durchschnittlich 4,383 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist debpalash/VoiceStudio mit 115,753 Sternen.
Insgesamt 211 Repositories
VoiceStudio ist die quelloffene, vollständig lokal ausführbare Alternative zu ElevenLabs – mit Sprachklonen, Sprachdesign, Videodubbing, Diktierfunktion, Transkription und Hörbucherstellung in 646 Sprachen.
Eine kostenlose, Open-Source- und erweiterbare Spracherkennungsanwendung, die vollständig offline funktioniert.
Datenschutzorientierter KI-Meeting-Notizassistent für Windows, macOS und Linux. Kostenlos und Open Source (MIT). Transkription mit Whisper/Parakeet und Sprecherdiarisierung direkt auf dem Gerät – ganz ohne Meeting-Bot. Open-Source-Alternative zu Granola, Otter und Fireflies. https://meetily.ai
WhisperX: Automatische Spracherkennung mit wortbezogenen Zeitstempeln (& Diarisierung)
YC (S26) | Screenpipe findet Arbeit, die sich zu automatisieren lohnt | Zeichne deine Computerarbeit kontinuierlich lokal auf, entdecke wiederkehrende Arbeitsabläufe und übergib das Ergebnis an einen beliebigen Agenten, den du bereits nutzt.
🚀 Self-hosted API zur Datenerfassung von Douyin, TikTok und Bilibili sowie zum Herunterladen wasserzeichenfreier Videos. Unterstützt Aufrufe durch KI-Agenten via MCP und Offline-Spracherkennung. Docker-Bereitstellung mit einem Klick. | Self-hosted Scraper für TikTok, Douyin und Bilibili sowie Downloader für Videos ohne Wasserzeichen — asynchrone REST-API, MCP-Server für KI-Agenten, CLI und Webkonsole sowie Offline-Spracherkennung für heruntergeladene Videos. Selbstheilender Identitätspool, PostgreSQL-Archiv und Start mit einem einzigen `docker compose up`.
Open-Source-Spracherkennungs-Toolkit für Training, Inferenz, Streaming-ASR, VAD, Interpunktion, Sprecherdiarisierungs-Pipelines und OpenAI-kompatiblen/MCP-Service.
Übersetzen Sie das Video von einer Sprache in eine andere und betten Sie Synchronisation & Untertitel ein.
Spracherkennung, Sprachsynthese, Sprecherdiarisierung, Sprachverbesserung, Quellentrennung und VAD unter Verwendung der nächsten Generation von Kaldi mit onnxruntime ohne Internetverbindung. Unterstützung für eingebettete Systeme, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64-Server, Websocket-Server/-Client, Unterstützung für 12 Programmiersprachen
Offline-Sprachenerkennungs-API für Android, iOS, Raspberry Pi und Server mit Python, Java, C# und Node
Gradio WebUI für Kreative und Entwickler, mit wichtiger TTS (Edge-TTS, kokoro) und Zero-Shot Voice Cloning (E2 & F5-TTS, CosyVoice), mit Whisper-Audioverarbeitung, YouTube-Download, Demucs-Stimmisolation und mehrsprachiger Übersetzung.
Sprach-zu-Text-Diktiersoftware mit lokalen (Nvidia Parakeet/Whisper) und Cloud-Modellen (BYOK). Datenschutzpriorität und plattformübergreifend verfügbar.
Echtzeit- und lokale Sprach-zu-Text-Transkription mit Streaming-ASR, Sprecherdiarisierung, Übersetzung und OpenAI/Deepgram-kompatiblen APIs.
Lade Videos und Audiodateien von über 1.000 Websites herunter, transkribiere sie lokal mit Sprecherkennzeichnung und fasse deine Medien mit deinem bevorzugten KI-Anbieter zusammen, übersetze sie oder chatte darüber.
Eine robuste, effiziente und latenzarme Speech-to-Text-Bibliothek mit fortschrittlicher Spracherkennung, Aktivierung durch Weckwörter und sofortiger Transkription.
Open-Source-SenseVoiceSmall-Modell für ASR in Mandarin, Kantonesisch, Englisch, Japanisch und Koreanisch, Sprachidentifikation, Emotionserkennung und Audioereigniserkennung.
Spracherkennungsmodul für Python, das mehrere Engines und APIs unterstützt, online und offline.
Ein auf Deep Learning basierendes chinesisches Spracherkennungssystem
Eine Text-to-Speech (TTS), Speech-to-Text (STT) und Speech-to-Speech (STS) Bibliothek, die auf Apples MLX-Framework basiert und eine effiziente Sprachanalyse auf Apple Silicon ermöglicht.
ODS V3 Vorabversion: Öffentliche Tests und Verbesserungen vor dem offiziellen Start von V3. Verwandeln Sie Ihren PC, Mac oder Linux-Rechner in einen privaten KI-Server.
Bildschirm aufnehmen, Demo veröffentlichen. Kostenlos und quelloffen, GPU-beschleunigt, keine Wasserzeichen, keine Abonnements. Windows, macOS, Linux. Aktiv gepflegt.
FunASR-basiertes Tool für Videotranskription, Untertitelgenerierung und LLM-gestützten Videoschnitt mit lokaler Gradio-Benutzeroberfläche.
KI erzeugt auf Knopfdruck Massen von Kurzvideos, schneidet automatisch Kurzvideos zusammen, veröffentlicht Videos automatisch auf Douyin, Kuaishou, Xiaohongshu, Video Channel, Geldverdienen war noch nie so einfach! Unterstützt lokale Sprachmodelle chatTTS, faster-whisper, GPTSoVITS, unterstützt Cloud-Sprachen: Azure, Alibaba Cloud, Tencent Cloud. Unterstützt Stable Diffusion, ComfyUI für direkte KI-Bilderzeugung. Generieren Sie mit KI LLM mit einem Klick Kurzvideos, drucken Sie gemeinsam Geld! Unterstützt: chatTTS, faster-whisper, GPTSoVITS, Azure, Tencent Cloud, Ali Cloud.
Open-Source-Sprach-KI-Plattform. Selbstgehostete Alternative zu Vapi und Retell. On-Premise, BYOK für Speech-to-Speech oder LLM/STT/TTS, mit visuellem Workflow-Builder, MCP-nativ und Telefonie-Unterstützung.
Silero-Modelle: Vortrainierte Text-zu-Sprache-Modelle, deren Nutzung erstaunlich einfach ist
🎙️🤖Erstellen, Anpassen und Unterhalten Sie sich in Echtzeit mit Ihrem KI-Charakter/Begleiter (Alles in einer Codebasis!). Führen Sie nahtlose natürliche Gespräche mit KI überall (mobil, Web und Terminal) unter Verwendung von LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Open-Source-KI-Videolokalisierung und -Synchronisation für YouTube/Bilibili: Spracherkennung, Untertitelübersetzung, Stimmenklonen, Audiomischung und Rendering. Open-Source-KI-Tool für Videoübersetzung und -synchronisation.
Automatische Spracherkennung mit Sprecher-Diarisierung basierend auf OpenAI Whisper
Ein autonomer, kontextsensitiver KI-Desktopbegleiter. Mit Python entwickelt, bietet er Echtzeit-Bildschirmerkennung, benutzerdefinierte ONNX-Sprachsynthese, die Erfassung des aktiven Fensters und eine dynamische, schwebende Benutzeroberfläche mit reaktiven Gesichtsausdrücken.
Spracherkennung zu Text Tool / Ein lokales Offline-Tool zur Konvertierung von Audio-/Videountertiteln, das JSON-, SRT-Untertitel und reinen Text ausgibt
JAX-Implementierung von OpenAIs Whisper-Modell für eine Geschwindigkeitssteigerung von bis zu 70x auf TPUs.
On-Device-Untertitelgenerierung, die direkt mit DaVinci Resolve, Premiere und After Effects verbunden ist.
Eine All-in-One, reine C++-Inferenz-Engine für Audiomodelle, angetrieben von ggml. Unterstützt TTS, STT, VAD, Sprachkonvertierung, Musikgenerierung und mehr mit hochoptimierter Leistung. Keine Python-Abhängigkeit.
Taste gedrückt halten, sprechen, loslassen — KI-verfeinerter Text erscheint am Cursor in jeder App. Open-Source-Spracheneingabe für macOS & Windows.
Leichtgewichtiges und leistungsstarkes Echtzeit-Audio-/Sprachübersetzungstool, das auf Windows LiveCaptions basiert.
Häufig gestellte Fragen
Welches ist das beliebteste #speech-to-text-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#speech-to-text-Projekt auf GitHub ist debpalash/VoiceStudio mit 115,753 Sternen. VoiceStudio ist die quelloffene, vollständig lokal ausführbare Alternative zu ElevenLabs – mit Sprachklonen, Sprachdesign, Videodubbing, Diktierfunktion, Transkription und Hörbucherstellung in 646 Sprachen.
Welche Programmiersprachen werden in #speech-to-text-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #speech-to-text-Projekten auf GitHub sind Python, TypeScript, Rust, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #speech-to-text-Repositories berechnet?
Wir verfolgen 211 aktive Open-Source-Repositories, die mit #speech-to-text getaggt sind (500+ Sterne), mit insgesamt 925,003 Sternen und durchschnittlich 4,383 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.