#speech-to-text リポジトリ
#speech-to-textのタグが付いた、GitHub上の211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925,003個で、プロジェクトあたりの平均は4,383個です。このトピックをリードしているのは、115,753個のスターを獲得しているdebpalash/VoiceStudioです。
リポジトリ合計211件
VoiceStudioは、ElevenLabsに代わるオープンソースで完全ローカル動作のソリューションです。646言語に対応し、音声クローン、音声デザイン、動画吹き替え、ディクテーション、文字起こし、オーディオブック作成が可能です。
プライバシーを最優先する、Windows・macOS・Linux向けのAI会議ノートツール。無料のオープンソース(MITライセンス)。Whisper/Parakeetによる文字起こしと話者ダイアライゼーションをデバイス上で実行し、会議ボットは不要。Granola、Otter、Firefliesに代わるオープンソースの選択肢。https://meetily.ai
YC (S26) | Screenpipeが自動化する価値のある作業を見つける | コンピューターでの作業をローカルで継続的に記録し、繰り返し行われるワークフローを見つけて、その結果をすでに使っている任意のエージェントに渡します。
🚀 Douyin、TikTok、Bilibiliのデータ収集と、ウォーターマークなし動画のダウンロードに対応したセルフホスト型API。MCP経由でのAIエージェントからの呼び出しと、オフライン音声文字起こしに対応。Dockerでワンクリックデプロイ。| TikTok、Douyin、Bilibili対応のセルフホスト型スクレイパー兼ウォーターマークなし動画ダウンローダー。非同期REST API、AIエージェント向けMCPサーバー、CLI、Webコンソールに加え、ダウンロードした動画のオフライン音声文字起こしにも対応。自動修復するIDプール、PostgreSQLアーカイブを備え、`docker compose up`一発で起動。
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。
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
クリエイターおよび開発者向けのGradio WebUI。主要なTTS(Edge-TTS、kokoro)とゼロショットボイスクローニング(E2 & F5-TTS、CosyVoice)を特徴とし、Whisperオーディオ処理、YouTubeダウンロード、Demucsボーカル分離、多言語翻訳を備えています。
ローカル(Nvidia Parakeet/Whisper)およびクラウドモデル(BYOK)対応のボイス・トゥ・テキスト dictation アプリ。プライバシー重視でクロスプラットフォーム対応。
リアルタイムかつローカルな音声テキスト変換。ストリーミングASR、話者分離、翻訳、OpenAI/Deepgram互換のAPIを備えています。
1,000以上のサイトから動画や音声をダウンロードし、話者ラベル付きでローカルに文字起こし。お好みのAIプロバイダーを使って、メディアの要約や翻訳、チャットができます。
AppleのMLXフレームワーク上に構築されたテキスト読み上げ(TTS)、音声認識(STT)、音声間音声変換(STS)ライブラリで、Apple Siliconでの効率的な音声分析を提供します。
画面を録画して、デモを公開しましょう。無料かつオープンソース、GPUアクセラレーション対応、透かしなし、サブスクリプションなし。Windows、macOS、Linux対応。活発にメンテナンスされています。
AIワンクリック一括生成各種ショート動画、自動一括ミキシングショート動画、自動投稿動画をDouyin、Kuaishou、Xiaohongshu、Video Channelに、お金儲けがこんなに簡単だったことはありません!ローカル音声モデルchatTTS、faster-whisper、GPTSoVITSをサポート、クラウド音声サポート:Azure、Alibaba Cloud、Tencent Cloud。Stable diffusion、comfyUI直接AI描画をサポート。AI LLMを使用してワンクリックでショート動画を生成し、一緒にお金を印刷しましょう!サポート:chatTTS、faster-whisper、GPTSoVITS、Azure、Tencent Cloud、Ali Cloud。
オープンソースの音声AIプラットフォーム。VapiおよびRetellのセルフホスト型代替ソリューション。オンプレミス対応、Speech-to-SpeechまたはLLM/STT/TTSでのBYOK(Bring Your Own Key)利用が可能。ビジュアルワークフロービルダー、MCPネイティブ、テレフォニーサポートを完備。
🎙️🤖リアルタイムでAIキャラクター/コンパニオンを作成、カスタマイズ、会話(すべて1つのコードベースで!)。LLM OpenAI GPT3.5/4、Anthropic Claude2、Chroma Vector DB、Whisper Speech2Text、ElevenLabs Text2Speechを使用して、どこでも(モバイル、Web、ターミナル)AIと自然でシームレスな会話をしましょう🎙️🤖
YouTube/Bilibili向けのオープンソースAI動画ローカライズ・吹き替えツール:音声認識、字幕翻訳、音声クローン、オーディオミキシング、レンダリング。オープンソースのAI動画翻訳・吹き替えツール。
自律型でコンテキストを認識するAIデスクトップコンパニオン。Pythonで開発され、リアルタイムの画面認識、カスタムONNX音声合成、アクティブウィンドウの追跡、反応に応じて表情が変化する動的なフローティングUIを備えています。
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。
よくある質問
GitHubで最も人気のある#speech-to-text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#speech-to-textプロジェクトは、115,753個のスターを獲得しているdebpalash/VoiceStudioです。VoiceStudioは、ElevenLabsに代わるオープンソースで完全ローカル動作のソリューションです。646言語に対応し、音声クローン、音声デザイン、動画吹き替え、ディクテーション、文字起こし、オーディオブック作成が可能です。
#speech-to-text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#speech-to-textプロジェクトでは、Python, TypeScript, Rust, C++が最も一般的なプログラミング言語です。
#speech-to-text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?
#speech-to-textのタグが付いた211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925,003個で、リポジトリあたりの平均は4,383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。