#automatic-speech-recognition Repositorios
Descubre 42 repositorios activos de código abierto de GitHub etiquetados con #automatic-speech-recognition, que acumulan 118,799 estrellas en total (una media de 2,828 estrellas por proyecto). El líder de este tema es Vaibhavs10/insanely-fast-whisper, con 13,052 estrellas.
42 repositorios en total
Modelos Fundamentales para Traducción de Voz y Texto de Última Generación
Conversión de voz a texto en tiempo real y local con ASR en streaming, diarización de hablantes, traducción y API compatibles con OpenAI/Deepgram.
Inferencia GPGPU de alto rendimiento del modelo Whisper de OpenAI para el reconocimiento automático del habla (ASR)
Kit de herramientas de reconocimiento de voz de extremo a extremo de producción primero y listo para producción
Kimi-Audio, un modelo de fundación de audio de código abierto que se destaca en la comprensión, generación y conversación de audio
[YA NO MANTENIDO] Utilidad de línea de comandos para generar automáticamente subtítulos para cualquier archivo de video
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.
Herramienta de IA de doblaje/traducción de video multilingüe inteligente - Linly-Dubbing — “IA empoderada, sin fronteras lingüísticas”
[AutoArk] ¡GPA (General Purpose Audio) puede realizar ASR, TTS y conversión de voz con un solo modelo diminuto!
Omnilingual ASR open-source reconocimiento de voz multilingüe para más de 1600 idiomas
🐸STT - El kit de herramientas de aprendizaje profundo para Speech-to-Text. Entrenar y desplegar modelos STT nunca ha sido tan fácil.
Detector de actividad de voz (VAD): baja latencia, alto rendimiento y ligero
Un modelo de 0,9B para transcripción de contenido extenso en más de 50 idiomas, con diarización de hablantes, marcas de tiempo y reconocimiento de eventos acústicos
El repositorio oficial del chat Qwen2-Audio y del modelo de lenguaje de audio grande preentrenado propuesto por Alibaba Cloud.
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.
Step-Audio 2 es un modelo de lenguaje grande multimodal de extremo a extremo diseñado para la comprensión de audio y la conversación por voz de nivel industrial.
Generar automáticamente subtítulos usando el modelo OpenAI Whisper a través de Jellyfin, Plex, Emby, Tautulli o Bazarr
Kit de herramientas oficial de Python para la API Qwen3-ASR. Llamadas paralelas de alto rendimiento, transcripción de audio larga y robusta, compatibilidad con múltiples frecuencias de muestreo.
:zap: TensorFlowASR: Reconocimiento automático de voz casi de última generación en Tensorflow 2. Idiomas admitidos que pueden usar caracteres o subpalabras
Una implementación de los modelos Parakeet de Nvidia para Apple Silicon utilizando MLX.
Evalúe su sistema de habla a texto con medidas de similitud como la tasa de error de palabras (WER)
Omni SenseVoice: Reconocimiento de voz de alta velocidad con marcas de tiempo de palabras 🗣️🎯
Dolphin es un modelo ASR multilingüe y multitarea entrenado conjuntamente por DataoceanAI y la Universidad de Tsinghua.
Colección de recursos sobre las aplicaciones de los modelos lingüísticos grandes (LLM) en Audio AI.
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.
Transcripción de voz en tiempo real con FastRTC ⚡️ y Whisper local 🤗
Reconocimiento de voz sin conexión con OpenAI Whisper y TensorFlow Lite para Android
✨✨[NeurIPS 2025] VITA-Audio: Generación Rápida de Tokens Intercalados y Transmodales para un Modelo de Lenguaje de Voz Grande y Eficiente
Motor de transcripción de voz a texto en streaming en el dispositivo impulsado por aprendizaje profundo
Es posible iniciar la grabación al presionar el botón Opción y finalizarla al soltarlo, llamando al modelo Groq Whisper Large V3 Turbo para la transcripción. Dado que Groq es muy rápido, la mayoría de las entradas de voz se retroalimentan en 1-2 segundos. Y gracias a la potente capacidad de whisper, el efecto de transcripción es muy bueno.
Un sistema ligero cliente-servidor para procesamiento de audio en tiempo real con detección de actividad de voz (VAD) y reconocimiento automático de voz (ASR).
Preguntas frecuentes
¿Cuál es el repositorio de #automatic-speech-recognition más popular en GitHub?
El proyecto de código abierto de #automatic-speech-recognition mejor posicionado en GitHub es Vaibhavs10/insanely-fast-whisper, con 13,052 estrellas.
¿Qué lenguajes de programación se utilizan más en los repositorios de #automatic-speech-recognition?
Entre los proyectos de #automatic-speech-recognition mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, C++, Swift.
¿Cómo se calcula la clasificación de los repositorios de #automatic-speech-recognition?
Seguimos 42 repositorios activos de código abierto etiquetados con #automatic-speech-recognition (500+ estrellas), que suman un total de 118,799 estrellas, con una media de 2,828 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.