#speech-to-text Repositorios
211 repositorios en total
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.
LLaMA-Omni es un modelo de interacción por voz de extremo a extremo de baja latencia y alta calidad construido sobre Llama-3.1-8B-Instruct, que tiene como objetivo lograr capacidades de voz al nivel de GPT-4o.
Alternativa de código abierto, local y autoalojada a los asistentes de voz competidores de Amazon Echo/Google Home
Convierte audio y vídeo en subtítulos con una interfaz web fácil de usar. Todo se ejecuta en tu propio equipo. Anteriormente Whishper.
Modelos de Texto a Voz y Voz a Texto de Kyutai basados en el marco de Modelado de Flujos Retrasados.
API de transcripción de reuniones de código abierto para Google Meet, Microsoft Teams y Zoom. Bots que se unen automáticamente, transcripciones en tiempo real vía WebSocket, servidor MCP para agentes de IA. Puedes auto-alojar o usar SaaS alojado.
Reconocimiento automático de voz multilingüe con marcas de tiempo a nivel de palabra y confianza
Notas de reuniones privadas con IA que permanecen en tu ordenador. Sin bots para reuniones. Gratis y de código abierto para Mac, Windows y Linux. Una alternativa a Granola, Otter y Fireflies.
La alternativa de código abierto a Cluely: un asistente de IA ultrarrápido centrado en la privacidad que funciona sin problemas durante reuniones, entrevistas y conversaciones sin que nadie lo sepa. Construido con Tauri para un rendimiento nativo, solo 10 MB. Completamente indetectable en videollamadas, compartir pantalla y grabaciones.
Una grabadora de reuniones bonita y minimalista para Mac. Pulsa Iniciar y, al pulsar Detener, obtendrás las notas y la transcripción en un solo archivo Markdown. Funciona en el dispositivo, es gratuita y de código abierto.
🐸STT - El kit de herramientas de aprendizaje profundo para Speech-to-Text. Entrenar y desplegar modelos STT nunca ha sido tan fácil.
Generador de subtítulos ASR/STT. Utiliza Qwen3-ASR, LLM local, Whisper, TEN-VAD. Resistente al ruido para JAV.
🔊 Lista impresionante para Whisper — un sistema de reconocimiento de voz de código abierto impulsado por IA desarrollado por OpenAI
Alternativa gratuita de código abierto a Wispr Flow | La próxima generación de flujos de trabajo de voz de escritorio chinos con modelos locales FunASR integrados y LLM configurables
🎙Reconocimiento de voz utilizando el framework de aprendizaje profundo de TensorFlow, redes neuronales sequence-to-sequence
Un conjunto de efectos, generadores y analizadores habilitados por IA para Audacity®.
Estudio de IA local y portátil para Windows, Linux y macOS. Interfaz gráfica sin configuración para generación de imágenes, LLM GGUF, conversión de texto a voz y de voz a texto
Un AI Agent Studio local para Windows orientado al comercio electrónico mediante transmisiones en directo de Douyin, con un flujo de trabajo inteligente unificado que conecta el descubrimiento de streamers, la obtención de información sobre las transmisiones, el análisis posterior de los directos y la planificación de contenido para vídeos cortos.
Convierte videos de Bilibili a texto, en un solo paso, solo ingresa el enlace para usarlo
Transcripción de voz local para macOS IA en el dispositivo, completamente privada, nube opcional
Biblioteca de inferencia de IA en el dispositivo para React Native, de alto rendimiento y con la privacidad como prioridad, impulsada por el runtime ExecuTorch de PyTorch
Un componente React completo para la edición de subtítulos de video con reconocimiento de voz impulsado por IA y capacidades de edición visual.
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.
TikTok LIVE API para Python: La biblioteca de terceros definitiva para recibir eventos de transmisión en vivo (comentarios, regalos, etc.) en tiempo real desde TikTok LIVE.
Servidor de inferencia de LLM de alto rendimiento compatible con OpenAI y Anthropic para Apple Silicon. MLX nativo, procesamiento por lotes continuo, modelos multimodales, llamadas a herramientas MCP y soporte para Claude Code.
Muesli: transcripción local de reuniones y dictado nativos para agentes en macOS (alternativa a Granola + WisprFlow + Littlebird)
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.
Una estación de trabajo de generación (de videos cortos) que integra planificación de contenido, generación automática de textos publicitarios por IA, doblaje automático masivo de TTS, síntesis de material de imagen (IA), extracción automática de guiones de subtítulos de idioma por ASR y creación libre por IA. Facilita la gestión de los proyectos de video de cada edición.
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.
Alternativa de código abierto y centrada en lo local a Granola/Otter que Claude Code, Codex, Cursor y cualquier cliente MCP pueden consultar. Reuniones, llamadas y notas de voz transcritas en el dispositivo a Markdown que te pertenece.