#asr リポジトリ
リポジトリ合計101件
現実世界向けに構築された初の基盤ASR - 7つの原子音響条件、54の複合シナリオ、260万サンプル、そして他のすべてのモデルが崩壊する場所でSOTAを最大約30%上回る性能。**他のモデルが現実で失敗した後、あなたはMEGA-ASRに戻ってくるでしょう。 ⭐**
「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020)の【非公式】PyTorch実装
VocoTypeは、ローカルクライアント側で動作するプライバシー保護の安全な音声入力ツールです。ショートカットキーで音声をリアルタイムでテキストに変換し、現在使用中のアプリケーションに自動入力します。音声文字変換MCP、AIによるテキスト最適化、カスタム置換辞書、録音・動画の文字起こしなどの機能をサポートし、音声入力をより効率的かつ安全にします。
🔥🔥🔥Java用無料オフラインAIアルゴリズムツールボックス。顔認識、ライブネス検出、表情認識、物体検出、インスタンスセグメンテーション、歩行者検出、OCR文字認識、ナンバープレート認識、表認識、ASR+TTS、機械翻訳などの機能をサポートし、Maven参照で使用可能。PyTorch、Tensorflowをサポートし、Mtcnn、InsightFace、SeetaFace6、YOLOv8~v12、PaddleOCR(PPOCRv5)、Whisperなどの主要モデルを統合しています。
リアルタイム音声翻訳、システムオーディオ+マイクをキャプチャし、ASR(Whisper/SenseVoice)を実行、LLM APIでストリーミング表示付き翻訳。VTuber、ライブ配信者、外国のコンテンツ視聴に最適です。
このプロジェクトは、ファインチューニングおよび処理されたWhisper ASRモデルを使用して、音声をテキストに転写するためのユーザーレベルアクセスをサポートするAPIを提供します。
PaddlePaddleに基づくエンドツーエンド中国語音声認識、入門から実践まで、超簡単な入門事例、超実用的な企業プロジェクト。現在最も人気のあるDeepSpeech2、Conformer、Squeezeformerモデルをサポートします。
LLM、ASR、TTS、OCR、CVなどの技術を備えたAI VTuber、ライブ配信やMinecraftを一緒にプレイしましょう。
Voxtral ASR & TTS がネイティブおよびブラウザで動作。Burn ML フレームワークを使用した Mistral の Voxtral mini リアルタイム ASR/TTS の Rust 実装
PaddlePaddleに基づいて実装された音声認識、中国語音声認識。プロジェクトは完成しており、認識効果が良好です。Windows、Linuxでのトレーニングと予測をサポートし、Nvidia Jetson開発ボードでの予測をサポートします。
ASR、VAD、LID、Puncモジュールを備えた最先端の産業用オールインワンASRシステムです。FireRedASR2は中国語(北京語、20以上の方言/アクセント)、英語、コードスイッチング、音声および歌唱ASRをサポートします。FireRedVADは100以上の言語で音声/歌唱/音楽をサポートします。FireRedLIDは100以上の言語と20以上の中国語方言をサポートします。FireRedPuncは中国語と英語をサポートします。
Pytorchで実装されたストリーミングおよび非ストリーミング自動音声認識フレームワークで、オンラインおよびオフライン認識の両方と互換性があります。現在、Conformer、Squeezeformer、DeepSpeech2モデルをサポートしており、さまざまなデータ拡張方法もサポートしています。
INTERSPEECH 2023-2024 論文:INTERSPEECH 2023-24 会議からの影響力がありエキサイティングな研究論文の完全なコレクション。音声および言語処理の最新の進歩をご覧ください。コードが含まれています。音声技術の進歩をサポートするためにリポジトリをスターしてください!
AI動画ナレーションAgentスキルパック:シーンを自動編集し、映像を見てナレーション原稿を作成、音声収録とミキシングを行って完成動画を生成。Jianying/CapCut用の下書きとして書き出し可能、GPU不要|ナレーション付き動画要約とCapCut下書きのためのAgentスキル
📣 商用グレードのオープンソース音声自動認識ライブラリ、すぐに使用可能、全プラットフォーム対応、中国語・英語混合認識。ASR推論のクロスプラットフォーム実装です。ONNXRuntimeとFunASRに基づいています。ASRモデルを呼び出すためのより簡単なAPIセットを提供します。
DeepSeek Harness向けのシーン認識型ストーリーボード:番号付きのコマ9~16個を、タイムスタンプ、文字起こし、音声エンベロープとともに1枚の画像にまとめます(384トークン)。ツールはvideo_storyboardとvideo_zoomの2つです。
ICASSP 2023-2024 論文:ICASSP 2023-24 会議の影響力がありエキサイティングな研究論文の完全なコレクションです。音響、音声、信号処理の最新の進歩を探求してください。コードが含まれています。オーディオおよび信号処理の進歩をサポートするために、リポジトリにスターを付けてください!
ggml 上の C++ による音声会話向けの音声合成、音声認識、音声活動検出:Metal、Vulkan、CPU で動作する Qwen3-TTS、Irodori-TTS、Qwen3-ASR、ReazonSpeech、parakeet、Silero VAD。OpenAI 互換サーバーとライブ文字起こしにも対応。