#asr リポジトリ
#asrのタグが付いた、GitHub上の100件のアクティブなオープンソースリポジトリをご覧ください。合計スター数は289,141個で、プロジェクトあたりの平均は2,891個です。このトピックをリードしているのは、25,556個のスターを獲得しているm-bain/whisperXです。
リポジトリ合計101件
トレーニング、推論、ストリーミングASR、VAD、句読点、話者ダイアライゼーションパイプライン、OpenAI互換/MCPサービングのためのオープンソース音声認識ツールキット。
大規模言語モデル、マルチモーダル、および音声AI(自動音声認識とテキスト-to-スピーチ)を扱う研究者と開発者のために構築されたスケーラブルな生成AIフレームワーク
次世代Kaldiとonnxruntimeを使用したインターネット接続なしでの音声認識、音声合成、話者分離、音声強調、ソース分離、およびVAD。組み込みシステム、Android、iOS、HarmonyOS、Raspberry Pi、RISC-V、RK NPU、Axera NPU、Ascend NPU、x86_64サーバー、websocketサーバー/クライアントをサポートし、12のプログラミング言語に対応
使いやすい音声ツールキットで、自己教師あり学習モデル、句読点付きSOTA/ストリーミングASR、テキストフロントエンド付きストリーミングTTS、話者検証システム、エンドツーエンド音声翻訳、およびキーワード検出を含む。NAACL2022 Best Demo Awardを受賞。
これは、指定されたYouTube動画のトランスクリプト/字幕を取得できるPython APIです。自動生成された字幕にも対応しており、他のSeleniumベースのソリューションのようにAPIキーやヘッドレスブラウザは必要ありません!
🤖 wukong-robot は、シンプルで柔軟でエレガントな中国語音声対話ロボット/スマートスピーカープロジェクトで、ChatGPTの多輪対話機能をサポートし、脳機インターフェースをサポートする最初のオープンソーススマートスピーカープロジェクトである可能性があります。
HTML5 JS 録音 MP3 WAV OGG WebM AMR G711A G711U 形式、PC、Android、iOS一部のWebブラウザ、Hybrid App(Android iOS Appソースコード提供)、WeChat対応、ASR音声認識文字変換 H5版音声通話チャットサンプル DTMF符号化復号化
ggmlを搭載した、オールインワンの純粋なC++オーディオモデル推論エンジン。TTS、STT、VAD、音声変換、音楽生成などをサポートし、高度に最適化されたパフォーマンスを実現。Python依存なし。
Streamer-Sales 販売の王 —— 販売ストリーマーLLM大規模モデル🛒🎁、与えられた商品の特徴に基づいてユーザーの購入意欲を刺激する観点から商品の解説ができる販売ストリーマー大規模モデルです。🚀⭐ 詳細なデータ生成プロセスが含まれています❗ 📦 また、LMDeployによる推論高速化🚀、RAG検索拡張生成📚、TTSテキスト読み上げ🔊、アバター生成🦸、Webでのリアルタイム情報検索のためのAgent利用🌐、ASR音声テキスト変換🎙️、Vueエコシステム構築フロントエンド🍍、FastAPI構築バックエンド🗝️、Docker-composeによるパッケージングとデプロイメント🐋が統合されています。
アプリで Frontier CoreML オーディオモデルを使用 — テキスト読み上げ、音声認識、音声アクティビティ検出、話者分離。Swift で、SOTA オープンソースにより実現。
[AutoArk] GPA (General Purpose Audio) は、たった一つの小さなモデルで ASR(音声認識)、TTS(音声合成)、音声変換を実現します!
標準中国語、中国語方言、英語をサポートするオープンソースの産業グレードASRモデルは、公開されている標準中国語ASRベンチマークで新たなSOTAを達成するとともに、優れた歌唱歌詞認識機能も提供します。
次世代Kaldiとncnnを使用した、インターネット接続なしのリアルタイム音声認識および音声アクティビティ検出(VAD)。iOS、Android、Linux、macOS、Windows、Raspberry Pi、VisionFive2、LicheePi4Aなどをサポートします。
百聆はGPT-4oに似た音声対話ロボットで、ASR+LLM+TTSにより実現され、DeepSeek R1などの優れた大規模モデルを統合し、openClawに接続され、本物の個人音声アシスタントで、遅延が800msまで低く、Macなどの低スペックでも動作可能、中断対応
Fun-ASR 音声認識モデル。Fun-ASR-Nano では Hugging Face Transformers をネイティブにサポートし、FunASR、vLLM、llama.cpp にはそれぞれ独立したデプロイパスを提供します。
DELTAは、ディープラーニングベースの自然言語および音声処理プラットフォームです。LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
制御可能な文字起こし。逐語的(すべてのフィラー、ポーズ、どもり、発声を含む)、または意図ベース(話者が伝えようとした内容を、読みやすさを考慮して最適化)で、単語レベルのタイムスタンプに対応。
AMD Strix Halo向けのオープンソースAIエンジン。テキスト、埋め込み、音声、画像、動画のモデルを1つのバイナリに集約し、OpenAI互換API、コーディングエージェント向けキャッシュ、モデル拡張機能を提供。LinuxとWindowsに対応。
Whisper音声認識モデルをファインチューニングし、タイムスタンプデータなしでのトレーニング、タイムスタンプデータありでのトレーニング、音声データなしでのトレーニングをサポートします。推論を高速化し、Webデプロイメント、Windowsデスクトップデプロイメント、Androidデプロイメントをサポートします
よくある質問
GitHubで最も人気のある#asrリポジトリは何ですか?
GitHubで最も上位にランクインしているオープンソースの#asrプロジェクトは、25,556個のスターを獲得しているm-bain/whisperXです。WhisperX: 単語レベルのタイムスタンプ(&話者分離)を備えた自動音声認識
#asrリポジトリで最もよく使われているプログラミング言語は何ですか?
GitHubで上位にランクインしている#asrプロジェクトでは、Python, C++, C, Jupyter Notebookが最も一般的なプログラミング言語です。
#asrリポジトリのランキングはどのように算出されていますか?
#asrのタグが付いた100件のアクティブなオープンソースリポジトリ(スター500個以上)を追跡しています。合計スター数は289,141個で、リポジトリあたりの平均は2,891個です。ランキングはGitHub APIからのデータに基づいて毎日更新されます。