#speech-to-text Repositorios
Descubre 211 repositorios activos de código abierto de GitHub etiquetados con #speech-to-text, que acumulan 925,003 estrellas en total (una media de 4,383 estrellas por proyecto). El líder de este tema es debpalash/VoiceStudio, con 115,753 estrellas.
211 repositorios en total
VoiceStudio es la alternativa de código abierto y completamente local a ElevenLabs: clonación de voz, diseño de voz, doblaje de vídeo, dictado, transcripción y creación de audiolibros en 646 idiomas.
Una aplicación de voz a texto gratuita, de código abierto y extensible que funciona completamente sin conexión.
Asistente de IA para tomar notas de reuniones, con la privacidad como prioridad, para Windows, macOS y Linux. Gratis y de código abierto (MIT). Transcripción con Whisper/Parakeet y diarización de hablantes en el dispositivo, sin bots en las reuniones. Alternativa de código abierto a Granola, Otter y Fireflies. https://meetily.ai
WhisperX: Reconocimiento automático de voz con marcas de tiempo a nivel de palabra (& diarización)
YC (S26) | Screenpipe encuentra el trabajo que merece automatizarse | Registra continuamente el trabajo que realizas en el ordenador, descubre flujos de trabajo recurrentes y entrega el resultado a cualquier agente que ya utilices.
🚀 API autoalojada para recopilar datos de Douyin, TikTok y Bilibili y descargar vídeos sin marca de agua. Compatible con llamadas de agentes de IA mediante MCP y con transcripción de voz sin conexión. Despliegue de Docker con un solo clic. | Extractor autoalojado de TikTok, Douyin y Bilibili y descargador de vídeos sin marca de agua: API REST asíncrona, servidor MCP para agentes de IA, CLI y consola web, además de transcripción de voz sin conexión para los vídeos descargados. Grupo de identidades con autorrecuperación, archivo PostgreSQL y puesta en marcha con un solo `docker compose up`.
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.
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
Gradio WebUI para creadores y desarrolladores, con funciones clave de TTS (Edge-TTS, kokoro) y clonación de voz zero-shot (E2 & F5-TTS, CosyVoice), con procesamiento de audio Whisper, descarga de YouTube, aislamiento vocal Demucs y traducción multilingüe.
Aplicación de dictado voz a texto con modelos locales (Nvidia Parakeet/Whisper) y en la nube (BYOK). Prioridad a la privacidad y disponible cross-platform.
Conversión de voz a texto en tiempo real y local con ASR en streaming, diarización de hablantes, traducción y API compatibles con OpenAI/Deepgram.
Descarga videos y audio de más de 1000 sitios, transcríbelos localmente con etiquetas de hablante y resume, traduce o conversa sobre tu contenido multimedia con tu proveedor de IA preferido.
Una biblioteca de voz a texto robusta, eficiente y de baja latencia con detección avanzada de actividad de voz, activación por palabra clave y transcripción instantánea.
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.
Módulo de reconocimiento de voz para Python, compatible con varios motores y API, en línea y sin conexión.
Sistema de Reconocimiento de Voz Chino Basado en Aprendizaje Profundo
Una biblioteca de texto a voz (TTS), voz a texto (STT) y voz a voz (STS) construida sobre el framework MLX de Apple, que proporciona un análisis de voz eficiente en Apple Silicon.
Prelanzamiento de ODS V3: pruebas públicas y mejoras antes del lanzamiento oficial de V3. Convierte tu PC, Mac o equipo Linux en un servidor de IA privado.
Graba tu pantalla, comparte una demo. Gratis y de código abierto, acelerado por GPU, sin marcas de agua, sin suscripciones. Windows, macOS, Linux. Mantenimiento activo.
Herramienta de transcripción de video, generación de subtítulos y recorte asistido por LLM impulsada por FunASR con una interfaz Gradio local.
La IA genera videos cortos en masa con un clic, remezcla automáticamente videos cortos, publica automáticamente videos en Douyin, Kuaishou, Xiaohongshu, Video Channel, ¡ganar dinero nunca ha sido tan fácil! Soporta modelos de voz locales chatTTS, faster-whisper, GPTSoVITS, soporta voces en la nube: Azure, Alibaba Cloud, Tencent Cloud. Soporta Stable diffusion, comfyUI para la generación directa de imágenes por IA. Genera videos cortos con un clic usando KI LLM, ¡imprime dinero juntos! Soporta: chatTTS, faster-whisper, GPTSoVITS, Azure, Tencent Cloud, Ali Cloud.
Plataforma de IA de voz de código abierto. Alternativa autohospedada a Vapi y Retell. On-premise, BYOK en Speech-to-Speech o LLM/STT/TTS, con un constructor de flujo de trabajo visual, nativo en MCP y soporte de telefonía.
Modelos Silero: modelos de texto a voz preentrenados hechos increíblemente sencillos
🎙️🤖Crea, personaliza y habla con tu personaje/compañero IA en tiempo real (¡Todo en una única base de código!). Mantén una conversación natural y fluida con la IA en cualquier lugar (móvil, web y terminal) utilizando LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Localización y doblaje de video con IA de código abierto para YouTube/Bilibili: reconocimiento de voz, traducción de subtítulos, clonación de voz, mezcla de audio y renderizado. Herramienta de código abierto para traducción y doblaje de videos con IA.
Reconocimiento automático de voz con diarización del hablante basado en OpenAI Whisper
Un compañero de escritorio con IA autónomo y consciente del contexto. Desarrollado con Python, cuenta con visión de pantalla en tiempo real, síntesis de voz ONNX personalizada, seguimiento de la ventana activa y una interfaz flotante dinámica con expresiones faciales reactivas.
Herramienta de reconocimiento de voz a texto / Una herramienta local sin conexión para convertir subtítulos de audio/vídeo, que produce formatos json, srt y texto plano
Implementación JAX del modelo Whisper de OpenAI para una aceleración de hasta 70 veces en TPU.
Generación de subtítulos en el dispositivo que se conecta directamente a DaVinci Resolve, Premiere y After Effects.
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.
Herramienta de traducción de audio/voz en tiempo real, ligera y potente, basada en Windows LiveCaptions.
Preguntas frecuentes
¿Cuál es el repositorio de #speech-to-text más popular en GitHub?
El proyecto de código abierto de #speech-to-text mejor posicionado en GitHub es debpalash/VoiceStudio, con 115,753 estrellas. VoiceStudio es la alternativa de código abierto y completamente local a ElevenLabs: clonación de voz, diseño de voz, doblaje de vídeo, dictado, transcripción y creación de audiolibros en 646 idiomas.
¿Qué lenguajes de programación se utilizan más en los repositorios de #speech-to-text?
Entre los proyectos de #speech-to-text mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, TypeScript, Rust, C++.
¿Cómo se calcula la clasificación de los repositorios de #speech-to-text?
Seguimos 211 repositorios activos de código abierto etiquetados con #speech-to-text (500+ estrellas), que suman un total de 925,003 estrellas, con una media de 4,383 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.