#whisper リポジトリ
リポジトリ合計145件
Claude(または任意のLLM)に実際に動画を視聴させる — シーン認識、重複除去されたフレーム+トランスクリプト、URLまたはローカルファイルから。ローカルで実行、MITライセンス。
C++で書かれたONNXファイル用の軽量推論ライブラリ。RPI Zero 2(または298MBのRAM)でStable Diffusion XL 1.0を実行できるだけでなく、デスクトップやサーバーでMistral 7Bを実行することもできます。ARM、x86、WASM、RISC-Vをサポート。XNNPACKによって高速化されます。Python、C#、JS(WASM)バインディングが利用可能です。
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。
Claudeに動画を視聴し理解する能力を付与する — フレーム抽出とマルチモーダル音声分析を備えたClaude Codeプラグイン
Windows アプリにローカル モデルと API を使用して AI を追加する方法を学習するための、Windows 開発者向けのオープンソース プロジェクトです。
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。
マルチバックエンドのWhisperアプリ。超高速。Mac-ARM最適化。簡単なインストール。ローカルファイルまたはURLを入力すると、このサービスがWhisper AIを使用して文字起こしします。完全にプライベートで無料 🤯🤯🤯
Apple Silicon搭載のMacでLLMをファインチューニング。SFT、DPO、GRPO、Vision、TTS、STT、Embedding、OCRのファインチューニング — MLX上でネイティブ対応。Unsloth互換API。
AIエージェントが解説動画や製品デモを作成します。無料のオープンソースです。ローカル音声(Kokoro)、単語ごとのタイミング(Whisper)、キャンバスレンダラーを使って、スクリプトをナレーション付きのMP4に変換します。
MTools は、音声・動画処理、画像編集、テキスト操作、エンコードツールを統合した高機能な多機能デスクトップアプリケーションです。AI による拡張機能を内蔵し、ローカル MCP サービスも提供します。ワークフローを簡素化し、生産性を高めることを目的としています。
Gp.nvim (GPT プロンプト) Neovim AI プラグイン: ChatGPT セッション & 指示可能なテキスト/コード操作 & 音声テキスト変換 [OpenAI, Ollama, Anthropic, ..]
Kubernetes 用 AI 推論オペレーター。本番環境で ML モデルを提供する最も簡単な方法。 VLM、LLM、埋め込み、音声テキスト変換をサポートします。
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
OpenCluely は、DSA、OA、CP などの技術面接向けに構築された、無料のオープンソース Cluely(代替)です。目に見えないオーバーレイ、リアルタイム AI ヘルプ、質問キャプチャのためのスマート画像処理、多言語サポートを提供します:100% カスタマイズ可能でプライベートです。
音声AI彼女(DeepSeek Harness向け音声AI彼女):Whisperによる音声入力 + Qwen3-TTSによる音声クローン + 文単位のストリーミング読み上げ + アニメーションアバターウィンドウ。割り込み/キューの2モードに対応し、話しかけるとすぐに中断できます。
ビデオオーディオを生成して字幕を作成し、srtファイルを生成します。サードパーティAPIを申請する必要がなく、ローカルでオーディオからテキストへの変換を実現します。Transformerベースのビデオ字幕生成フレームワーク。ビデオから字幕を生成し、srtファイルを生成するためのGUIツール。
無料、オープンソース、100%オフラインのLinux向け音声入力ツール。whisper.cpp、Whisper、VOSKエンジンを使用して、どこでも話して入力可能。GPUアクセラレーション対応、X11 + Waylandで動作。
Whisper-Flowは、OpenAIのWhisperモデルを使用してオーディオコンテンツをリアルタイムで文字起こしできるように設計されたフレームワークです。アップロード後にファイル全体を処理する「バッチモード」ではなく、Whisper-Flowはオーディオチャンクの連続的なストリームを受け取り、インクリメンタルにトランスクリプトを即座に生成します。
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。
C# Twitch チャット、ウィスパー、API、PubSub ライブラリ。チャット、ウィスパー、ストリームイベントの購読、チャンネル/アカウントの変更を可能にします。.NETStandard 2.0 をサポートするすべてのものをサポートします。