#asr Repositorios
Descubre 100 repositorios activos de código abierto de GitHub etiquetados con #asr, que acumulan 289,141 estrellas en total (una media de 2,891 estrellas por proyecto). El líder de este tema es m-bain/whisperX, con 25,556 estrellas.
101 repositorios en total
WhisperX: Reconocimiento automático de voz con marcas de tiempo a nivel de palabra (& diarización)
Kit de herramientas de reconocimiento de voz de código abierto para entrenamiento, inferencia, ASR en streaming, VAD, puntuación, tuberías de diarización de hablantes y servicio compatible con OpenAI/MCP.
Un marco escalable de IA generativa construido para investigadores y desarrolladores que trabajan en Modelos de Lenguaje Grandes, Multimodal y IA de Voz (Reconocimiento Automático de Voz y Texto a Voz)
Reconocimiento de voz a texto, texto a voz, diarización de hablantes, mejora de voz, separación de fuentes y VAD utilizando la próxima generación de Kaldi con onnxruntime sin conexión a Internet. Soporte para sistemas integrados, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, NPU RK, NPU Axera, NPU Ascend, servidores x86_64, servidor/cliente websocket, soporte para 12 lenguajes de programación
API de reconocimiento de voz offline para Android, iOS, Raspberry Pi y servidores con Python, Java, C# y Node
Kit de herramientas de voz fácil de usar que incluye modelo de aprendizaje auto-supervisado, ASR en streaming/SOTA con puntuación, TTS en streaming con frontend de texto, sistema de verificación de hablante, traducción de voz de extremo a extremo y detección de palabras clave. Ganó el premio al Mejor Demo de NAACL2022.
Modelo SenseVoiceSmall de código abierto para ASR en mandarín, cantonés, inglés, japonés y coreano, identificación de idioma, reconocimiento de emociones y detección de eventos de audio.
Esta es una API de Python que te permite obtener la transcripción/subtítulos para un video de YouTube dado. También funciona con subtítulos generados automáticamente y no requiere una clave de API ni un navegador sin cabeza, como hacen otras soluciones basadas en Selenium.
🤖 wukong-robot es un proyecto simple, flexible y elegante de robot de diálogo de voz en chino/altavoz inteligente, que soporta las capacidades de diálogo multi-turno de ChatGPT, y podría ser el primer proyecto de altavoz inteligente de código abierto que soporta interacción cerebro-computadora.
Herramienta de transcripción de video, generación de subtítulos y recorte asistido por LLM impulsada por FunASR con una interfaz Gradio local.
Reconocimiento automático de voz con diarización del hablante basado en OpenAI Whisper
Grabación HTML5 JS MP3 WAV OGG WebM AMR G711A G711U formatos, soporta PC y Android, iOS algunos navegadores Web, Hybrid App (proporciona código fuente App Android iOS), WeChat, proporciona ASR reconocimiento de voz a texto versión H5 ejemplo de chat de llamada de voz DTMF codificación/decodificación
Kit de herramientas de reconocimiento de voz de extremo a extremo de producción primero y listo para producción
¡El reproductor multimedia para el aprendizaje de idiomas, con subtítulos duales, subtítulos generados por IA, traducción en tiempo real y más!
Un motor de inferencia todo en uno, puro en C++, para modelos de audio, impulsado por ggml. Admite TTS, STT, VAD, conversión de voz, generación de música y más, con rendimiento altamente optimizado. Sin dependencia de Python.
Mantén una tecla, habla, suelta — texto pulido por IA aparece en tu cursor en cualquier app. Entrada de voz de código abierto para macOS y Windows.
Streamer-Sales Rey de las Ventas —— Modelo LLM del Transmisor Vendedor 🛒🎁, un modelo LLM del transmisor vendedor capaz de comentar productos desde la perspectiva de estimular la intención de compra del usuario basándose en las características dadas del producto. 🚀⭐ Incluye un proceso detallado de generación de datos ❗ 📦 Además, integra LMDeploy para inferencia acelerada 🚀, Generación Aumentada por Recuperación RAG 📚, TTS Texto a Voz 🔊, generación de avatares 🦸, uso de Agentes para consultar información en tiempo real en la web 🌐, ASR Voz a Texto 🎙️, frontend de construcción del ecosistema Vue 🍍, backend de construcción FastAPI 🗝️, empaquetado y despliegue con Docker-compose 🐋
Modelos de audio Frontier CoreML en tus aplicaciones: texto a voz, voz a texto, detección de actividad de voz y diarización de hablantes. En Swift, impulsado por código abierto SOTA.
Ejecutables independientes de Whisper y Faster-Whisper para aquellos que no quieren molestarse con Python.
[AutoArk] ¡GPA (General Purpose Audio) puede realizar ASR, TTS y conversión de voz con un solo modelo diminuto!
Reconocimiento automático de voz multilingüe con marcas de tiempo a nivel de palabra y confianza
Extraiga rápidamente contenido de audio y video, organizándolo en una nota markdown estructurada
🐸STT - El kit de herramientas de aprendizaje profundo para Speech-to-Text. Entrenar y desplegar modelos STT nunca ha sido tan fácil.
Modelos ASR de nivel industrial de código abierto que admiten mandarín, dialectos chinos e inglés, logrando un nuevo SOTA en puntos de referencia públicos de ASR en mandarín, al tiempo que ofrecen una capacidad excepcional de reconocimiento de letras de canciones.
Framework IA+IoT de próxima generación para T2/T3/T5AI/ESP32/y más: integración rápida de hardware de agentes IoT e IA
Entorno de ejecución de alto rendimiento para servir sistemas de superinteligencia interactivos
Reconocimiento de voz en tiempo real y detección de actividad de voz (VAD) utilizando Kaldi de próxima generación con ncnn sin conexión a Internet. Soporte para iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A, etc.
Bailing es un robot de conversación por voz similar a GPT-4o, implementado mediante ASR+LLM+TTS, integrado con excelentes modelos grandes como DeepSeek R1, conectado a openClaw, un verdadero asistente de voz personal con latencia tan baja como 800 ms, ejecutable en dispositivos de baja configuración como Mac, soporta interrupción
Aplicación Linux Speech Note. Tomar notas, leer y traducir con voz a texto (Speech to Text) y texto a voz (Text to Speech) sin conexión, y traducción automática.
Motor de análisis multimodal todo en uno + motor de conocimiento preparado para IA, impulsado por ontologías y por una wiki basada en LLM
Dictado por voz gratuito y de código abierto para macOS y Windows. Transcripción local de voz a texto con Whisper y Parakeet; también funciona sin conexión.
Analiza vídeos utilizando LLM, Visión por Computadora y Reconocimiento Automático del Habla
Modelos de reconocimiento de voz Fun-ASR, con compatibilidad nativa con Hugging Face Transformers para Fun-ASR-Nano y rutas de implementación independientes para FunASR, vLLM y llama.cpp.
DELTA es una plataforma de procesamiento de lenguaje natural y voz basada en aprendizaje profundo. LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
Transcripción configurable. Literal (cada muletilla, pausa, tartamudeo y sonido vocal) o intencionada (lo que el hablante quiso decir, optimizada para facilitar la lectura), con marcas de tiempo a nivel de palabra.
🍦 Speech-AI-Forge es un proyecto desarrollado en torno a un modelo de generación TTS, que implementa un servidor API y una interfaz de usuario web basada en Gradio.
Humano digital interactivo de voz en tiempo real, con apariencia y voz personalizables, que soporta la clonación de voz y presenta una latencia de diálogo de tan solo 3 segundos.
Reconocimiento de voz nativo para Linux - Dictado rápido, preciso, privado y hackeable en todo el sistema
Kit de herramientas de voz IA para Apple Silicon — ASR, TTS, voz-a-voz, VAD y diarización impulsados por MLX y CoreML
StreamSpeech es un modelo "todo en uno" sin interrupciones para el reconocimiento de voz, la traducción de voz y la síntesis de voz sin conexión y simultánea.
Servidor de reconocimiento de voz WebSocket, gRPC y WebRTC basado en las bibliotecas Vosk y Kaldi
El motor de IA de código abierto para AMD Strix Halo. Modelos de texto, embeddings, voz, imagen y vídeo en un único binario, con API compatibles con OpenAI, caché para agentes de programación y extensiones de modelos. Linux y Windows.
Ajuste fino del modelo de reconocimiento de voz Whisper para admitir entrenamiento sin datos de marca de tiempo, entrenamiento con datos de marca de tiempo y entrenamiento sin datos de voz. Acelerar la inferencia y admitir el despliegue web, el despliegue en escritorio de Windows y el despliegue en Android
Preguntas frecuentes
¿Cuál es el repositorio de #asr más popular en GitHub?
El proyecto de código abierto de #asr mejor posicionado en GitHub es m-bain/whisperX, con 25,556 estrellas. WhisperX: Reconocimiento automático de voz con marcas de tiempo a nivel de palabra (& diarización)
¿Qué lenguajes de programación se utilizan más en los repositorios de #asr?
Entre los proyectos de #asr mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, C++, C, Jupyter Notebook.
¿Cómo se calcula la clasificación de los repositorios de #asr?
Seguimos 100 repositorios activos de código abierto etiquetados con #asr (500+ estrellas), que suman un total de 289,141 estrellas, con una media de 2,891 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.