#speech-to-text リポジトリ
リポジトリ合計211件
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。
LLaMA-Omniは、Llama-3.1-8B-Instructを基盤とした低遅延・高品質なエンドツーエンド音声対話モデルであり、GPT-4oレベルの音声能力の実現を目指しています。
Google Meet、Microsoft Teams、Zoom 用のオープンソースの会議トランスクリプション API。自動参加ボット、リアルタイム WebSocket トランスクリプト、AI エージェント用の MCP サーバー。セルフホストするか、ホスト型 SaaS を利用してください。
パソコン上に保存されるプライベートなAI会議メモ。会議ボット不要。Mac、Windows、Linux向けの無料オープンソースソフトウェア。Granola、Otter、Firefliesに代わる選択肢です。
Cluely のオープンソースの代替品 - 会議、インタビュー、会話中に誰も気づかずにシームレスに機能する、超高速でプライバシー重視のAIアシスタント。ネイティブパフォーマンスのためにTauriで構築され、わずか10MB。ビデオ通話、画面共有、録音で完全に検出されません。
Mac向けの、美しくミニマルな会議録音ツール。「開始」を押して、録音後に「停止」を押すだけで、メモと文字起こしを1つのMarkdownファイルにまとめて取得できます。処理はデバイス上で完結。無料、オープンソースです。
🎙TensorFlow ディープラーニングフレームワークを使用した音声認識、sequence-to-sequence neural networks
Windows、Linux、macOS 向けのポータブルなローカル AI スタジオ。画像生成、GGUF LLM、テキスト読み上げ、音声認識に対応したセットアップ不要の GUI
Douyinライブコマース向けのWindowsローカルAI Agent Studio。配信者の発掘、ライブ配信のインサイト分析、配信の振り返り、ショート動画コンテンツの企画・構成をつなぐ、統合されたインテリジェントワークフローを実現します。
PyTorch の ExecuTorch ランタイムを基盤とする、React Native 向けの高性能かつプライバシー重視のオンデバイス AI 推論ライブラリ
TikTok LIVE API for Python: TikTok LIVEからライブ配信イベント(コメント、ギフトなど)をリアルタイムで受信するための決定版サードパーティライブラリ。
Apple Silicon 向けの高性能な OpenAI および Anthropic 互換 LLM 推論サーバー。ネイティブ MLX、継続的バッチ処理、マルチモーダルモデル、MCP ツール呼び出し、Claude Code サポート。
Muesli:macOS向け、エージェントネイティブなローカル会議文字起こし・音声入力(Granola + WisprFlow + Littlebirdの代替)
コンテンツ企画、AIコピー自動生成、TTS一括自動ナレーション、(AI)画像素材合成、ASR自動言語字幕スクリプト抽出、AI自由創作を一体化した(ショート動画)生成ワークステーションです。各回の動画プロジェクトの管理に便利です。
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。
Claude Code、Codex、Cursor、その他あらゆる MCP クライアントから検索できる、オープンソースでローカルファーストな Granola/Otter の代替サービス。会議、通話、ボイスメモをデバイス上で文字起こしし、あなたが所有する Markdown に変換します。