#speech-to-text Repositories
Insgesamt 211 Repositories
Ein modulares Swift SDK für Audioverarbeitung mit MLX auf Apple Silicon
Sprache zu Text zu Sprache. Song wird gerade abgespielt. Sendet Text als OSC-Nachrichten an VRChat, um ihn auf dem Avatar anzuzeigen. (STTTS) (Sprache zu TTS) (VRC STT-System) (VTuber TTS)
🎤 Lobe TTS - Eine hochwertige und zuverlässige TTS/STT-Bibliothek für Server und Browser
Schnelle, private, lokale Sprach-App für Apple Silicon Macs — Diktat, Datei-/Medientranskription, Meeting-Aufzeichnung, Transformationen und eine öffentliche Automatisierungs-CLI. Kostenlos und Open-Source.
ESP32-basiertes Gerät, hauptsächlich verwendet für Voice-Chats mit großen Sprachmodellen
Lokaler Sprach-Chatbot für ansprechende Gespräche, angetrieben von Ollama, Hugging Face Transformers und Coqui TTS Toolkit
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.
Implementierung von KI-Chat-bezogenen Funktionen mit Unity. Diese Bibliothek enthält derzeit Code-Implementierungen für API-Aufrufe an große Sprachmodelle wie ChatGPT und ChatGLM sowie die Implementierung von Sprachdiensten von Microsoft Azure und Baidu AI. Die Sprachdienste verwenden Web-APIs und unterstützen Plattformen wie Windows/WebGL/Android.
AlwaysReddy ist ein LLM-Sprachassistent, der immer nur eine Tastenkombination entfernt ist.
Rapida ist eine Open-Source, End‑zu‑End‑Plattform für die Orchestrierung von Sprach‑KI, die es ermöglicht, Echtzeit‑Sprachagenten mit Audio‑Streaming, STT, TTS, VAD, Multi‑Channel‑Integration, Agenten‑Status‑Management und Beobachtbarkeit zu bauen。
Sammlung von Ressourcen zu den Anwendungen von Large Language Models (LLMs) in Audio AI.
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-KI-Spracheingabe für macOS, Windows und Linux. Drücke eine Tastenkombination, sprich ganz natürlich und erhalte in jeder App polierten Text.
Transkribieren und übersetzen Sie Sprache mit Whisper und LLMs (GPT, Claude, et,al) in eine LRC-Datei. Verwenden Sie Whisper und LLM (GPT, Claude usw.), um Ihr Audio zu transkribieren und in eine Untertiteldatei zu übersetzen.
Open-Source-KI-Assistent für Bewerbungsgespräche und Meeting-Copilot: Live-Antworten während Zoom-, Google-Meet- und Teams-Anrufen, Transkription direkt auf dem Gerät und beim Teilen des Bildschirms unsichtbar. Eine kostenlose Alternative zu Cluely, Interview Coder und Final Round AI für Windows, macOS und Linux.
KI auf dem Gerät für Flutter – Gemma und andere LLMs, multimodale Funktionen, Funktionsaufrufe, Embeddings, RAG und Sprache auf Android, iOS, Web, macOS, Windows und Linux.
:speech_balloon: /so.nus/ STT (Sprache zu Text) für Node mit Offline-Hotword-Erkennung
Canva-ähnliches Präsentationsstudio ausschließlich für den Browser, betrieben mit lokaler Web-KI.
Eine native macOS-Menüleisten-Diktier-App, die lokale Spracherkennung mit WhisperKit verwendet
Kann lokal im privaten Netzwerk bereitgestellt werden, ein Sprachtranskriptions- und Zusammenfassungstool für Teams/Organisationen, vollständiger Frontend- und Backend-Code
Jigasi: eine serverseitige Anwendung, die als Gateway zu Jitsi Meet-Konferenzen fungiert. Ermöglicht derzeit regulären SIP-Clients, an Besprechungen teilzunehmen und bietet Transkriptionsfunktionen.
Erstellung einer Software zur automatischen Überwachung bei Online-Aufsicht
Blitzschnelle, kostenlose und lokal ausgerichtete Spracheingabe für macOS mit Transkription auf dem Gerät
Gib KI-Agenten Augen, Ohren und überprüfbare Ergebnisse. Watch Skill macht aus Videos, Audio und Bildschirmaktivitäten durchsuchbare, mit Zeitstempeln versehene Belege und weist Arbeit anhand deterministischer Verträge nach – nicht anhand von Modellmeinungen. DeepWatch ist der auf DeepSeek Harness basierende Arbeitsbereich für Agenten. Python + npm, MCP, CLI, REST, Web.
Eine Python-Bibliothek zum Lösen von reCAPTCHA v2 und v3 mit Playwright
🎭 KI-Avatar-/Digital-Human-Plattform – Foto hochladen, Stimme klonen und in Echtzeit mit jedem Gesicht per lippensynchronem Video sprechen. Open Source und selbst gehostet. Claude · Whisper · Chatterbox · MuseTalk.
⚡ Unglaublich schneller KI-Sprachassistent mit Antwortzeiten von <500 ms
Eine Open-Source-Stimmen-IME (Tastatur) auf dem Gerät für Android unter Verwendung der Vosk-Bibliothek.
🗣 Eine Overlay, die die Sprachberechtigung des Benutzers erhält und Eingaben als Text in einer anpassbaren Benutzeroberfläche
MCP-Server für eine Hardwaremaus für KI-Agenten unter Windows x64. USB-HID-Steuerung und Spracheingabe per Diktat; kompatible uMouse-Hardware und -Firmware erforderlich.
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.
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
Eine Spracherkennungsbibliothek, die dank eines WebAssembly-Builds von Vosk im Browser läuft
Erstelle KI-Telefonagenten auf deinem eigenen Computer und teste jede Änderung mit einem KI-Anrufer. Open Source, läuft kostenlos ohne API-Schlüssel und kostet mit deinen eigenen Schlüsseln nur wenige Cent pro Anruf. Importiert Dialogflow CX.