#speech-to-text Repositories
Insgesamt 211 Repositories
Frontier CoreML Audio-Modelle in Ihren Apps – Text-to-Speech, Speech-to-Text, Voice Activity Detection und Sprecher-Diarisierung. In Swift, angetrieben von SOTA Open Source.
Whisper & Faster-Whisper eigenständige ausführbare Dateien für diejenigen, die sich nicht mit Python herumschlagen wollen.
LLaMA-Omni ist ein End-to-End-Sprachinteraktionsmodell mit geringer Latenz und hoher Qualität, das auf Llama-3.1-8B-Instruct basiert und darauf abzielt, Sprachfähigkeiten auf dem Niveau von GPT-4o zu erreichen.
Open-Source, lokale und selbst gehostete Alternative zu Amazons Echo/Google Home-konkurrierenden Sprachassistenten
Wandle Audio und Video mit einer benutzerfreundlichen Weboberfläche in Untertitel um. Alles läuft auf deinem eigenen Rechner. Früher Whishper.
Kyutais Text-to-Speech- und Speech-to-Text-Modelle basierend auf dem Framework für verzögerte Stream-Modellierung.
Open-Source-Transkriptions-API für Besprechungen bei Google Meet, Microsoft Teams & Zoom. Auto-Join-Bots, Echtzeit-WebSocket-Transkripte, MCP-Server für KI-Agenten. Eigenständig hosten oder SaaS gehostet nutzen.
Mehrsprachige automatische Spracherkennung mit Wort-Timestamps und Konfidenz
Private KI-Meetingnotizen, die auf deinem Computer bleiben. Kein Meeting-Bot. Kostenlos und Open Source für Mac, Windows und Linux. Eine Alternative zu Granola, Otter und Fireflies.
Die Open-Source-Alternative zu Cluely - Ein blitzschneller, datenschutzorientierter KI-Assistent, der nahtlos während Besprechungen, Interviews und Gesprächen funktioniert, ohne dass es jemand merkt. Gebaut mit Tauri für native Leistung, nur 10 MB. Völlig unauffindbar bei Videoanrufen, Bildschirmfreigaben und Aufzeichnungen.
Ein schöner, minimalistischer Meeting-Recorder für den Mac. Drücke auf Start und anschließend auf Stopp, um Notizen und ein Transkript in einer einzigen Markdown-Datei zu erhalten. Die Verarbeitung erfolgt direkt auf dem Gerät. Kostenlos und Open Source.
🐸STT - Das Deep-Learning-Toolkit für Speech-to-Text. Das Trainieren und Bereitstellen von STT-Modellen war noch nie so einfach.
ASR/STT-Untertitelgenerator. Nutzt Qwen3-ASR, lokale LLM, Whisper, TEN-VAD. Lärmbeständig für JAV.
🔊 Fantastische Liste für Whisper – ein Open-Source-System zur KI-gestützten Spracherkennung, entwickelt von OpenAI
Kostenlose Open-Source-Alternative zu Wispr Flow | Die nächste Generation chinesischer Desktop-Sprachworkflows mit integrierten lokalen FunASR-Modellen und konfigurierbaren LLMs
🎙Spracherkennung mit dem TensorFlow Deep-Learning-Framework, Sequence-to-Sequence-Neuralnetze
Sprachnotizen aufzeichnen & transkribieren, zusammenfassen und Aufgaben erhalten
Eine Reihe von KI-gestützten Effekten, Generatoren und Analysewerkzeugen für Audacity®.
Portables lokales KI-Studio für Windows, Linux und macOS. Benutzeroberfläche ohne Einrichtung für Bildgenerierung, GGUF-LLMs, Text-zu-Sprache und Sprache-zu-Text
Ein lokales AI Agent Studio für Windows für den E-Commerce über Douyin-Livestreams, das Streamer-Entdeckung, Livestream-Insights, Livestream-Analysen und die redaktionelle Planung von Kurzvideoinhalten in einem einheitlichen intelligenten Workflow verbindet.
Bilibili-Videos in Text umwandeln, alles in einem Schritt, einfach den Link eingeben und verwenden
Lokale Sprach-zu-Text für macOS On-Device-KI, vollständig privat, optionale Cloud
Leistungsstarke On-Device-KI-Inferenzbibliothek für React Native mit Fokus auf Datenschutz, angetrieben von PyTorchs ExecuTorch-Runtime
Eine vollständige React-Komponente zur Bearbeitung von Videountertiteln mit KI-gestützter Spracherkennung und visuellen Bearbeitungsfunktionen.
Speech Note Linux App. Notizen machen, lesen und übersetzen mit Offline-Spracherkennung (Speech to Text), Sprachausgabe (Text to Speech) und maschineller Übersetzung.
TikTok LIVE API für Python: Die definitive Drittanbieter-Bibliothek, um Livestream-Ereignisse (Kommentare, Geschenke usw.) in Echtzeit von TikTok LIVE zu empfangen.
Hochleistungs-LLM-Inferenzserver, kompatibel mit OpenAI und Anthropic, für Apple Silicon. Natives MLX, kontinuierliches Batching, multimodale Modelle, MCP-Toolaufrufe und Claude-Code-Unterstützung.
Muesli: agent-native lokale Meeting-Transkription und Diktierfunktion für macOS (Alternative zu Granola + WisprFlow + Littlebird)
Kostenlose Open-Source-Spracheingabe für macOS und Windows. Lokale Spracherkennung mit Whisper und Parakeet, funktioniert auch offline.
Eine (Kurzvideo-)Erstellungs-Workstation, die Inhaltsplanung, automatische KI-Textgenerierung, automatische TTS-Massenvertonung, (KI-)Bildmaterial-Synthese, automatische ASR-Sprachuntertitelskript-Extraktion und KI-freie Kreation integriert. Praktisch für die Verwaltung jedes Videoprojekts.
Fun-ASR-Spracherkennungsmodelle mit nativer Unterstützung für Hugging Face Transformers für Fun-ASR-Nano sowie separaten Bereitstellungspfaden für FunASR, vLLM und llama.cpp.
Open-Source-Alternative zu Granola/Otter mit Local-First-Ansatz, die von Claude Code, Codex, Cursor und jedem MCP-Client abgefragt werden kann. Meetings, Anrufe und Sprachnotizen werden auf dem Gerät in Markdown transkribiert, das dir gehört.