#speech-to-text Repositorios
211 repositorios en total
Un SDK modular de Swift para procesamiento de audio con MLX en Apple Silicon
De voz a texto a voz. Reproduciendo canción. Envía texto como mensajes OSC a VRChat para mostrarlo en el avatar. (STTTS) (Voz a TTS) (Sistema STT de VRC) (VTuber TTS)
🎤 Lobe TTS - Una biblioteca TTS/STT fiable y de alta calidad para servidor y navegador
Aplicación de voz rápida, privada y local para Macs con Apple Silicon: dictado, transcripción de archivos/medios, grabación de reuniones, transformaciones y una CLI de automatización pública. Gratuita y de código abierto.
dispositivo basado en esp32, utilizado principalmente para chatear por voz con modelos de lenguaje grandes
Chatbot de voz local para conversaciones interesantes, impulsado por Ollama, Hugging Face Transformers y Coqui TTS Toolkit
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.
Implementación de funciones relacionadas con el chat de IA utilizando Unity. Actualmente, esta biblioteca incluye implementaciones de código para llamadas API a modelos de lenguaje grandes como ChatGPT y ChatGLM, así como la implementación de servicios de voz de Microsoft Azure y Baidu AI. Los servicios de voz utilizan API web y son compatibles con plataformas como Windows/WebGL/Android.
AlwaysReddy es un asistente de voz LLM que siempre está a solo una combinación de teclas de distancia.
Rapida es una plataforma de orquestación de IA de voz de código abierto y de extremo a extremo para crear agentes de voz conversacionales en tiempo real con streaming de audio, STT, TTS, VAD, integración multicanal, gestión del estado del agente y observabilidad.
Colección de recursos sobre las aplicaciones de los modelos lingüísticos grandes (LLM) en Audio AI.
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.
Escritura por voz con IA de código abierto para macOS, Windows y Linux. Pulsa una tecla rápida, habla con naturalidad y obtén texto pulido en cualquier aplicación.
Transcribir y traducir voz a archivo LRC usando Whisper y LLMs (GPT, Claude, et,al). Usar whisper y LLM (GPT, Claude, etc.) para transcribir y traducir tu audio a un archivo de subtítulos.
Motor de transcripción de voz a texto en streaming en el dispositivo impulsado por aprendizaje profundo
Asistente de entrevistas con IA de código abierto y copiloto para reuniones: respuestas en tiempo real durante llamadas de Zoom, Google Meet y Teams, transcripción en el dispositivo e invisible al compartir la pantalla. Alternativa gratuita a Cluely, Interview Coder y Final Round AI para Windows, macOS y Linux.
IA en el dispositivo para Flutter: Gemma y otros LLM, capacidades multimodales, llamadas a funciones, embeddings, RAG y voz en Android, iOS, Web, macOS, Windows y Linux.
:speech_balloon: /so.nus/ STT (voz a texto) para Node con detección de palabras clave offline
Estudio de presentaciones estilo Canva exclusivo para navegador, impulsado por IA web local.
Una aplicación de dictado nativa para la barra de menús de macOS que utiliza conversión de voz a texto local con WhisperKit
Despliegue privado en red interna disponible, herramienta de transcripción y resumen de voz para equipos/unidades, código completo de frontend y backend
Jigasi: una aplicación del lado del servidor que actúa como puerta de enlace a las conferencias de Jitsi Meet. Actualmente permite que los clientes SIP habituales se unan a las reuniones y proporciona capacidades de transcripción.
Creación de un software para la monitorización automática en la supervisión en línea
Dictado por voz ultrarrápido, gratuito y centrado en lo local para macOS, con transcripción en el dispositivo
Dota a los agentes de IA de ojos, oídos y resultados verificables. Watch Skill convierte el vídeo, el audio y la actividad de pantalla en pruebas con marcas de tiempo y fáciles de buscar, y demuestra el trabajo mediante contratos deterministas, no opiniones del modelo. DeepWatch es el espacio de trabajo para agentes basado en DeepSeek Harness. Python + npm, MCP, CLI, REST y Web.
Una biblioteca de Python para resolver reCAPTCHA v2 y v3 con Playwright
🎭 Plataforma de avatar de IA / humano digital: sube una foto, clona una voz y habla con cualquier rostro en tiempo real mediante vídeo con sincronización labial. De código abierto y autohospedada. Claude · Whisper · Chatterbox · MuseTalk.
⚡ Asistente de voz con IA increíblemente rápido con tiempos de respuesta <500 ms
Un IME de voz de código abierto en el dispositivo (teclado) para Android que utiliza la biblioteca Vosk.
🗣 Una superposición que obtiene el permiso de voz del usuario y la entrada como texto en una interfaz personalizable
Servidor MCP de ratón de hardware para agentes de IA en Windows x64. Control USB HID y dictado por voz; requiere hardware y firmware uMouse compatibles.
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.
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
Una biblioteca de reconocimiento de voz ejecutándose en el navegador gracias a una compilación WebAssembly de Vosk
Crea agentes telefónicos con IA en tu propio ordenador y prueba cada cambio con una llamada de IA. Código abierto; funciona gratis sin claves de API y cuesta unos céntimos por llamada con tus propias claves. Importa Dialogflow CX.