#speech-to-text リポジトリ
リポジトリ合計211件
音声からテキストへ、テキストから音声へ。現在再生中の曲。テキストをOSCメッセージとしてVRChatに送信し、アバターに表示します。(STTTS) (音声からTTSへ) (VRC STTシステム) (VTuber TTS)
Apple Silicon Mac向けの高速、プライベート、ローカルファーストの音声アプリ — ディクテーション、ファイル/メディアの文字起こし、会議録音、変換機能、公開自動化CLI。無料でオープンソース。
Ollama、Hugging Face Transformers、Coqui TTS Toolkit搭載のエンゲージングな会話のためのローカルボイスチャットボット
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。
Unityを使用してAIチャット関連機能を実現します。このライブラリには現在、ChatGPT、ChatGLMなどの大規模言語モデルへのAPI呼び出しコード実装と、Microsoft AzureおよびBaidu AIの音声サービス機能が実装されています。音声サービスはすべてWeb APIを採用しており、Windows/WebGL/Androidなどのプラットフォームをサポートしています。
Rapidaは、リアルタイムの会話音声エージェントを構築するための、音声ストリーミング、STT、TTS、VAD、多チャンネル統合、エージェント状態管理、観測性を備えたオープンソースのエンドツーエンド音声AIオーケストレーションプラットフォームです。
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。
macOS、Windows、Linux対応のオープンソースAI音声入力。ホットキーを押して自然に話すだけで、どのアプリでも整えられたテキストが得られます。
WhisperとLLM(GPT、Claudeなど)を使用して、音声をLRCファイルに書き起こして翻訳します。whisperとLLM(GPT、Claudeなど)を使用して、オーディオを書き起こし、字幕ファイルに翻訳します。
オープンソースのAI面接アシスタント兼ミーティングコパイロット。Zoom、Google Meet、Teamsの通話中にリアルタイムで回答し、端末上で文字起こしを行い、画面共有には表示されません。Windows、macOS、Linux向けのCluely、Interview Coder、Final Round AIの無料代替ツールです。
Flutter向けオンデバイスAI — Gemmaやその他のLLM、マルチモーダル、関数呼び出し、埋め込み、RAG、音声に対応し、Android、iOS、Web、macOS、Windows、Linuxで利用可能。
Jigasi: Jitsi Meet 会議へのゲートウェイとして機能するサーバーサイドアプリケーションです。現在、通常の SIP クライアントが会議に参加できるようにし、文字起こし機能を提供しています。
AIエージェントに目と耳、そして検証可能な成果を。Watch Skillは動画、音声、画面上のアクティビティを、検索可能でタイムスタンプ付きの証拠に変換し、モデルの主観ではなく決定論的な契約によって作業を証明します。DeepWatchはDeepSeek Harnessを基盤とするエージェント向けワークスペースです。Python + npm、MCP、CLI、REST、Webに対応。
🎭 AIアバター/デジタルヒューマンプラットフォーム — 写真をアップロードし、声をクローンして、リップシンク動画であらゆる顔とリアルタイムに会話できます。オープンソースでセルフホスト対応。Claude · Whisper · Chatterbox · MuseTalk。
Windows x64 上の AI エージェント向けハードウェアマウス MCP サーバー。USB HID 制御と音声ディクテーションに対応し、互換性のある uMouse ハードウェアとファームウェアが必要です。
macOS向けの無料・オープンソースで、ローカル処理を優先する音声入力アプリ。ショートカットキーを押しながら話すと、どのアプリにもテキストが入力されます。Whisper、Parakeet、Appleの音声認識を使ったオンデバイス音声文字起こし。プライバシーを重視した、オフライン対応のオープンソース版Wispr Flowです。
自分のパソコンでAI電話エージェントを構築し、AI発信者を使って変更のたびにテストできます。オープンソースで、APIキーなしなら無料で実行可能。自分のキーを使えば通話1回あたり数セントです。Dialogflow CXをインポートできます。