#asr Repositórios
Descubra 100 repositórios ativos de código aberto no GitHub marcados com #asr, acumulando um total de 289,141 estrelas (uma média de 2,891 por projeto). O líder deste tópico é m-bain/whisperX, com 25,556 estrelas.
101 repositórios no total
WhisperX: Reconhecimento Automático de Fala com Carimbos de Tempo em Nível de Palavra (& Diarização)
Kit de ferramentas de reconhecimento de fala de código aberto para treinamento, inferência, ASR em streaming, VAD, pontuação, pipelines de diarização de falantes e serviço compatível com OpenAI/MCP.
Uma estrutura de IA generativa escalável construída para pesquisadores e desenvolvedores que trabalham com Modelos de Linguagem Grandes (Large Language Models), IA Multimodal e de Fala (Reconhecimento Automático de Fala e Síntese de Fala)
Reconhecimento de fala para texto, texto para fala, diarização de falantes, aprimoramento de fala, separação de fontes e VAD usando a próxima geração do Kaldi com onnxruntime sem conexão com a Internet. Suporte para sistemas embarcados, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, NPU RK, NPU Axera, NPU Ascend, servidores x86_64, servidor/cliente websocket, suporte para 12 linguagens de programação
API de reconhecimento de fala offline para Android, iOS, Raspberry Pi e servidores com Python, Java, C# e Node
Kit de Fala Fácil de Usar, incluindo modelo de Aprendizagem Auto-Supervisionada, ASR SOTA/Streaming com pontuação, TTS de Streaming com frontend de texto, Sistema de Verificação de Locutor, Tradução de Fala End-to-End e Keyword Spotting. Ganhou o Prêmio Melhor Demo da NAACL2022.
Modelo SenseVoiceSmall de código aberto para ASR em mandarim, cantonês, inglês, japonês e coreano, identificação de idioma, reconhecimento de emoções e detecção de eventos de áudio.
Esta é uma API em python que permite obter a transcrição/legendas para um determinado vídeo do YouTube. Funciona também para legendas geradas automaticamente e não requer uma chave de API nem um navegador 'headless', como outras soluções baseadas em selenium fazem!
🤖 wukong-robot é um projeto de robô de conversação de voz chinês (smart speaker) simples, flexível e elegante, que suporta capacidade de conversação multi-turn do ChatGPT, e pode ser também o primeiro projeto de smart speaker de código aberto a suportar interação cérebro-computador (BCI).
Ferramenta de transcrição de vídeo, geração de legendas e corte assistido por LLM, alimentada por FunASR com interface Gradio local.
Reconhecimento Automático de Fala com Diarização de Locutor baseado em OpenAI Whisper
HTML5 JS gravação MP3 WAV OGG WebM AMR G711A G711U formatos, suporta PC e Android, iOS alguns navegadores Web, Hybrid App (fornece código-fonte de App Android iOS), WeChat, fornece ASR reconhecimento de voz para texto versão H5 exemplo de chat de chamada de voz DTMF codificação/decodificação
Kit de Reconhecimento de Fala de Ponta a Ponta Pronto para Produção e com Foco na Produção
O reprodutor de mídia para aprendizado de idiomas, com legendas duplas, legendas geradas por IA, tradução em tempo real e muito mais!
Um mecanismo de inferência tudo-em-um, puro em C++, para modelos de áudio, alimentado por ggml. Suporta TTS, STT, VAD, conversão de voz, geração de música e muito mais, com desempenho altamente otimizado. Sem dependência de Python.
Segure uma tecla, fale, solte — texto polido por IA aparece no seu cursor em qualquer app. Entrada de voz open-source para macOS e Windows.
Streamer-Sales Campeão de Vendas — O grande modelo LLM para streamers vendedores 🛒🎁, um modelo LLM capaz de descrever produtos com base nas suas características dadas, visando estimular a intenção de compra dos utilizadores. 🚀⭐Inclui um processo detalhado de geração de dados❗ 📦Além disso, integra: inferência acelerada LMDeploy 🚀, Geração Aumentada por Recuperação (RAG) 📚, Texto para Fala (TTS) 🔊, geração de humanos digitais 🦸, Agente para consulta de informações em tempo real na web 🌐, Reconhecimento Automático de Fala (ASR) para conversão de áudio em texto 🎙️, construção de frontend com ecossistema Vue 🍍, construção de backend com FastAPI 🗝️, e implantação empacotada com Docker-compose 🐋.
Modelos de áudio CoreML de ponta em seus aplicativos — texto para fala, fala para texto, detecção de atividade de voz e diarização de locutores. Em Swift, desenvolvido com código aberto SOTA.
Executáveis autônomos do Whisper e Faster-Whisper para aqueles que não querem se incomodar com Python.
[AutoArk] O GPA (General Purpose Audio) pode realizar ASR, TTS e conversão de voz com um único modelo minúsculo!
Reconhecimento Automático de Fala Multilíngue com carimbos de tempo e confiança a nível de palavra
Extração rápida de conteúdo de áudio e vídeo, e organização em uma nota Markdown estruturada
🐸STT - O kit de ferramentas de aprendizado profundo para Fala para Texto. Treinar e implantar modelos STT nunca foi tão fácil.
Inferência de fala para texto ggml para mais de 16 famílias de modelos
Modelos ASR de código aberto de nível industrial que suportam mandarim, dialetos chineses e inglês, alcançando um novo SOTA em benchmarks públicos de ASR em mandarim, ao mesmo tempo que oferecem capacidade excepcional de reconhecimento de letras de músicas.
Framework de IA+IoT de próxima geração para T2/T3/T5AI/ESP32/e mais – Integração rápida de hardware de agente de IA e IoT
Ambiente de execução de alto desempenho para servir sistemas de superinteligência interativos
Reconhecimento de fala em tempo real e detecção de atividade de voz (VAD) usando Kaldi de próxima geração com ncnn, sem conexão com a Internet. Suporte para iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A etc.
Bailing é um robô de conversa por voz semelhante ao GPT-4o, implementado via ASR+LLM+TTS, integrado com excelentes modelos grandes como DeepSeek R1, conectado ao openClaw, um verdadeiro assistente de voz pessoal com latência tão baixa quanto 800ms, executável em dispositivos de baixa configuração como Mac, suporta interrupção
Aplicativo Speech Note para Linux. Anotações, leitura e tradução com Speech to Text, Text to Speech e Tradução Automática offline.
Motor de análise multimodal tudo-em-um + motor de conhecimento pronto para IA, orientado por ontologias e alimentado por uma Wiki baseada em LLM
Digitação por voz gratuita e de código aberto para macOS e Windows. Transcrição local de fala para texto com Whisper e Parakeet, também disponível offline.
Analisar vídeos usando LLMs, Visão Computacional e Reconhecimento Automático de Fala
Modelos de reconhecimento de fala Fun-ASR, com suporte nativo ao Hugging Face Transformers para o Fun-ASR-Nano e caminhos de implantação separados para FunASR, vLLM e llama.cpp.
DELTA é uma plataforma de processamento de linguagem natural e fala baseada em aprendizado profundo. Projetos LF AI & DATA: https://lfaidata.foundation/projects/delta/
Transcrição controlável. Literal (cada muleta, pausa, gaguejo e som vocal) ou intencional (o que o falante pretendia dizer, otimizado para facilitar a leitura), com marcações de tempo no nível das palavras.
🍦 Speech-AI-Forge é um projeto desenvolvido em torno do modelo de geração TTS, implementando um Servidor API e uma WebUI baseada em Gradio.
Humano digital interativo de voz em tempo real, com aparência e voz personalizáveis, que suporta clonagem de voz e apresenta um atraso de diálogo de apenas 3s.
Reconhecimento de voz nativo para Linux - Ditado rápido, preciso, privado e hackeável em todo o sistema
Kit de ferramentas de fala por IA para Apple Silicon — ASR, TTS, fala-para-fala, VAD e diarização alimentados por MLX e CoreML
StreamSpeech é um modelo contínuo "tudo em um" para reconhecimento de fala offline e simultâneo, tradução de fala e síntese de fala.
Servidor de reconhecimento de fala WebSocket, gRPC e WebRTC baseado nas bibliotecas Vosk e Kaldi
O mecanismo de IA de código aberto para AMD Strix Halo. Modelos de texto, embeddings, fala, imagem e vídeo em um único binário, com APIs compatíveis com OpenAI, cache para agentes de programação e extensões de modelos. Linux e Windows.
Ajuste fino do modelo de reconhecimento de fala Whisper para suportar treinamento sem dados de carimbo de data/hora, treinamento com dados de carimbo de data/hora e treinamento sem dados de fala. Acelere a inferência e suporte implantação na Web, implantação em desktop Windows e implantação no Android
Perguntas Frequentes
Qual é o repositório de #asr mais popular no GitHub?
O projeto de código aberto de #asr mais bem classificado no GitHub é m-bain/whisperX, com 25,556 estrelas. WhisperX: Reconhecimento Automático de Fala com Carimbos de Tempo em Nível de Palavra (& Diarização)
Quais linguagens de programação são mais usadas nos repositórios de #asr?
Entre os projetos de #asr mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, C++, C, Jupyter Notebook.
Como é calculada a classificação dos repositórios de #asr?
Acompanhamos 100 repositórios ativos de código aberto marcados com #asr (com mais de 500 estrelas), totalizando 289,141 estrelas e uma média de 2,891 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.