#asr Repositorios
101 repositorios en total
Totalmente local, privado y multiplataforma Speech-to-Text con post-procesamiento LLM
Primer ASR fundamental construido para el mundo real: 7 condiciones acústicas atómicas, 54 escenarios compuestos, 2.6 millones de muestras y hasta ~30% de mejora sobre SOTA donde todos los demás modelos fallan. **Volverás a MEGA-ASR, después de que el resto falle en la naturaleza. ⭐**
[No oficial] Implementación en PyTorch de "Conformer: Transformer aumentado por convolución para el reconocimiento de voz" (INTERSPEECH 2020)
Reconocimiento de voz sin conexión para Android con la biblioteca Vosk.
VocoType es una herramienta de entrada de voz privada y segura que se ejecuta en el lado del cliente local. Mediante una tecla de acceso directo, convierte la voz en tiempo real a texto e ingresa automáticamente en la aplicación actual. Soporta funciones como MCP de voz a texto, optimización de texto con IA, diccionario de reemplazo personalizado, conversión de grabaciones de audio y video a texto, haciendo que la entrada de voz sea más eficiente y segura.
Asistente de grabación de voz con BYOK, transcripción ASR, diarización de hablantes, resúmenes de IA y compatibilidad con endpoints ASR locales.
🔥🔥🔥Caja de herramientas de algoritmos de IA sin conexión y gratuita para Java, que admite reconocimiento facial, detección de vida, reconocimiento de expresiones, detección de objetos, segmentación de instancias, detección de peatones, reconocimiento de texto OCR, reconocimiento de matrículas, reconocimiento de tablas, ASR+TTS, traducción automática y otras funciones. Se puede utilizar mediante referencia de Maven. Admite PyTorch, Tensorflow e integra modelos convencionales como Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5), Whisper, etc.
Traducción de audio en tiempo real, captura audio del sistema + micrófono, ejecuta ASR (Whisper/SenseVoice), traduce mediante API de LLM con visualización en streaming. Perfecto para VTubers, streamers y ver contenido extranjero.
Entrada de voz para macOS con modelos locales: transcribe, traduce y reescribe en cualquier app. El sucesor de Voxt.
Este proyecto proporciona una API con soporte de acceso a nivel de usuario para transcribir voz a texto utilizando un modelo ASR Whisper afinado y procesado.
Omni SenseVoice: Reconocimiento de voz de alta velocidad con marcas de tiempo de palabras 🗣️🎯
BiBi Keyboard: teclado de método de entrada de voz LLM y ASR para la plataforma Android basado en Kotlin
Kit de herramientas fácil de usar para reconocimiento/transcripción/conversión de voz, etc. | Caja de herramientas de voz simple y fácil de usar
Reconocimiento de voz chino de extremo a extremo basado en PaddlePaddle, desde la introducción hasta la práctica, casos de introducción súper sencillos, proyectos empresariales súper prácticos. Admite los modelos más populares actualmente: DeepSpeech2, Conformer, Squeezeformer.
GLM-ASR-Nano: Un modelo robusto de reconocimiento de voz de código abierto con 1.5B de parámetros
VTuber de IA con LLM, ASR, TTS, OCR, CV y más tecnologías para hacer transmisiones en vivo o jugar Minecraft contigo.
Voxtral ASR & TTS ejecutándose de forma nativa y en el navegador. Implementación en Rust de Voxtral mini ASR/TTS en tiempo real de Mistral usando el framework ML Burn
📦 Conversión rápida entre «números chinos» y «números arábigos» ~ (Nueva función: fracciones, fechas, temperaturas, etc.)
Reconocimiento de voz implementado basado en PaddlePaddle, reconocimiento de voz en chino. El proyecto está completo, con un buen efecto de reconocimiento. Soporta entrenamiento y predicción en Windows y Linux, soporta predicción en la placa de desarrollo Nvidia Jetson.
Un sistema ASR todo en uno de grado industrial SOTA con módulos ASR, VAD, LID y Punc. FireRedASR2 admite chino (mandarín, 20+ dialectos/accentos), inglés, cambio de código y ASR tanto para voz como para canto. FireRedVAD admite voz/canto/música en 100+ idiomas. FireRedLID admite 100+ idiomas y 20+ dialectos chinos. FireRedPunc admite chino e inglés.
Ejecutando el modelo de voz a texto (whisper.cpp) en Unity3d en tu máquina local.
Un framework Pytorch para reconocimiento automático del habla en streaming y no en streaming, compatible tanto con reconocimiento en línea como fuera de línea. Actualmente admite modelos Conformer, Squeezeformer y DeepSpeech2, junto con varios métodos de aumento de datos.
Kit de herramientas de código abierto para el reconocimiento de voz de extremo a extremo que aprovecha PyTorch-Lightning y Hydra.
Transcripción de voz en tiempo real con FastRTC ⚡️ y Whisper local 🤗
Reconocimiento de voz sin conexión con OpenAI Whisper y TensorFlow Lite para Android
Artículos INTERSPEECH 2023-2024: Una colección completa de investigaciones influyentes y emocionantes de la conferencia INTERSPEECH 2023-24. Explore los últimos avances en el procesamiento del habla y el lenguaje. Código incluido. ¡Estrella el repositorio para apoyar el avance de la tecnología del habla!
Motor de transcripción de voz a texto en streaming en el dispositivo impulsado por aprendizaje profundo
Paquete de habilidades de agente de IA para narración de videos: corta escenas automáticamente, analiza las imágenes para escribir el guion de narración, añade la voz en off y mezcla el audio para producir el video final; permite exportar borradores para Jianying/CapCut, sin necesidad de GPU | Habilidades de agente para resúmenes narrados de videos y borradores de CapCut
🤗 Optimum Intel: Acelera la inferencia con herramientas de optimización de Intel
El espacio de trabajo de subtítulos de Amo: flujo de transcripción de subtítulos ASR de Moy (MAW, abreviado)
Un software de visualización de subtítulos en tiempo real multiplataforma.
📣 Biblioteca de reconocimiento automático de voz de código abierto de nivel comercial, lista para usar, compatible con todas las plataformas, reconocimiento mixto chino-inglés. Una implementación multiplataforma de inferencia ASR. Se basa en ONNXRuntime y FunASR. Proporcionamos un conjunto de API más sencillas para llamar a modelos ASR.
Guion gráfico con reconocimiento de escenas para DeepSeek Harness: de 9 a 16 celdas numeradas con marcas de tiempo + transcripción + envolvente de audio, todo en UNA sola imagen (384 tokens). Dos herramientas: video_storyboard y video_zoom.
Lista de modelos de código abierto para síntesis de voz (TTS), clonación de voz y generación musical
SpeechIO Leaderboard: una plataforma de benchmarking grande, robusta y completa para el reconocimiento automático del habla.
Transcribe cualquier URL de vídeo o archivo de audio a texto plano. Sin GPU. Sin servicios en la nube. Un solo comando.
Una canalización optimizada de voz a texto para el modelo Whisper compatible con múltiples motores de inferencia
Una biblioteca de reconocimiento de voz ejecutándose en el navegador gracias a una compilación WebAssembly de Vosk
Artículos ICASSP 2023-2024: Una colección completa de artículos de investigación influyentes y emocionantes de las conferencias ICASSP 2023-24. Explore los últimos avances en acústica, voz y procesamiento de señales. Código incluido. ¡Marca el repositorio para apoyar el avance del procesamiento de audio y señales!
Síntesis de voz, reconocimiento de voz y detección de actividad vocal para conversaciones por voz, en C++ sobre ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet y Silero VAD en Metal, Vulkan y la CPU, con un servidor compatible con OpenAI y transcripción en tiempo real.