#speech-recognition Repositorios
206 repositorios en total
Chatbot de voz local para conversaciones interesantes, impulsado por Ollama, Hugging Face Transformers y Coqui TTS Toolkit
📦 Conversión rápida entre «números chinos» y «números arábigos» ~ (Nueva función: fracciones, fechas, temperaturas, etc.)
Teclado y servicio privados y en el dispositivo de reconocimiento de voz para Android.
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.
Reconocimiento de voz sin conexión con OpenAI Whisper y TensorFlow Lite para Android
Allosaurus es un reconocedor telefónico universal preentrenado para más de 2000 idiomas
OpenAmika: Amika, la compañera de IA de MekaHime, de código abierto. Avatar Live2D, voz en tiempo real, memoria a largo plazo y OpenRouter u Ollama como cerebro.
Ming: facilita capacidades avanzadas de comprensión y generación multimodal construidas sobre el Ling LLM.
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
Interfaz de línea de comandos para las capacidades integradas de reconocimiento de voz y transcripción en macOS.
Un conjunto de datos de audio gratuito de dígitos hablados. Una versión en audio de MNIST.
Entrada de voz para Fcitx5: reconocimiento de voz local y en la nube, reformulación con LLM y paquetes para distintas distribuciones
¡ChatGPT en casa! Una mejor alternativa a los asistentes comerciales de hogar inteligente, construida sobre Raspberry Pi utilizando LiteLLM y LangGraph.
:speech_balloon: /so.nus/ STT (voz a texto) para Node con detección de palabras clave offline
Dictado por voz ultrarrápido, gratuito y centrado en lo local para macOS, con transcripción en el dispositivo
Decodificador de Clasificación Temporal Conexionista (CTC) con diccionario y modelo de lenguaje.
El Sistema de Auto-Codificación para tu App — Alan AI SDK para React Native
🗣 Una superposición que obtiene el permiso de voz del usuario y la entrada como texto en una interfaz personalizable
SpeechIO Leaderboard: una plataforma de benchmarking grande, robusta y completa para el reconocimiento automático del habla.
Aplicación de dictado gratuita, de código abierto y centrada en el uso local para macOS. Mantén pulsado un atajo, habla y el texto se escribirá en cualquier aplicación. Transcripción de voz a texto en el dispositivo con Whisper, Parakeet y Apple Speech. Una alternativa privada, sin conexión y de código abierto a Wispr Flow.
Agente interactivo de voz a voz de alta calidad y en streaming en un solo archivo. ¡Prototipo de agente inteligente de interacción de voz en streaming full-duplex implementado solo con un archivo!
Lista de API STT de reconocimiento de voz coreano. Benchmarks de rendimiento para cada uno.
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
Conjunto de datos de actores multimodales emocionales de crowdsourcing (CREMA-D)
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!
Reconocimiento Automático de Voz (ASR), motor de Texto a Voz (TTS). Reconocimiento de voz en chino e inglés, síntesis de voz de múltiples roles, soporta múltiples idiomas, alta precisión
Mantenga un registro de los grandes modelos en el dominio del audio, incluyendo voz, canto, música, etc.