#asr Repositórios
101 repositórios no total
Totalmente local, privado e multiplataforma Speech-to-Text com pós-processamento LLM
Primeiro ASR fundamental construído para o mundo real - 7 condições acústicas atômicas, 54 cenários compostos, 2,6 milhões de amostras e até ~30% de ganhos sobre o SOTA onde todos os outros modelos falham. **Você voltará ao MEGA-ASR, depois que os outros falharem na natureza. ⭐**
[Não oficial] Implementação em PyTorch de "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)
VocoType é uma ferramenta de entrada de voz privada e segura que roda no lado do cliente local. Com uma tecla de atalho, converte a voz em texto em tempo real e insere automaticamente na aplicação atual. Suporta funções como MCP de voz para texto, otimização de texto com IA, dicionário de substituição personalizado, transcrição de áudio e vídeo para texto, tornando a entrada de voz mais eficiente e segura.
Assistente de gravação de voz com BYOK, transcrição ASR, diarização de falantes, resumos por IA e suporte a endpoints ASR locais.
Espresso: Um Kit de Ferramentas Rápido de Ponta a Ponta para Reconhecimento Neural de Fala
🔥🔥🔥Caixa de ferramentas de algoritmos de IA gratuitos e offline para Java, suportando reconhecimento facial, detecção de vivacidade, reconhecimento de expressões, detecção de objetos, segmentação de instâncias, detecção de pedestres, reconhecimento de texto OCR, reconhecimento de placas de veículos, reconhecimento de tabelas, ASR+TTS, tradução automática e outras funções, utilizável via referência Maven. Suporta PyTorch, Tensorflow e integrou modelos principais como Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5), Whisper, etc.
Tradução de áudio em tempo real, captura áudio do sistema + microfone, executa ASR (Whisper/SenseVoice), traduz via API LLM com exibição em streaming. Perfeito para VTubers, streamers e assistir conteúdo estrangeiro.
Entrada de voz para macOS com modelos locais: transcreva, traduza e reescreva em qualquer app. O sucessor do Voxt.
Este projeto fornece uma API com suporte a acesso em nível de usuário para transcrever fala em texto, utilizando um modelo ASR Whisper ajustado e processado.
Omni SenseVoice: Reconhecimento de Voz de Alta Velocidade com timestamps das palavras 🗣️🎯
BiBi Keyboard: teclado de entrada de voz com LLM e ASR para a plataforma Android baseado em Kotlin
Kit de ferramentas amigável ao usuário para reconhecimento/transcrição/conversão de voz etc. | Caixa de ferramentas de voz simples e fácil de usar
Implementação ponta a ponta de reconhecimento de fala chinês baseada em PaddlePaddle, do básico à prática, com casos de uso de entrada super simples e projetos empresariais super práticos. Suporta os modelos DeepSpeech2, Conformer e Squeezeformer mais populares atualmente.
GLM-ASR-Nano: Um modelo robusto de reconhecimento de fala de código aberto com 1,5 bilhão de parâmetros
VTuber de IA com LLM, ASR, TTS, OCR, CV e outras tecnologias para fazer transmissões ao vivo ou jogar Minecraft com você.
Voxtral ASR & TTS rodando nativamente e no navegador. Implementação em Rust do Voxtral mini ASR/TTS em tempo real da Mistral usando o framework ML Burn
📦 Conversão rápida entre «números chineses» e «números arábicos» ~ (Novos recursos: conversão de frações, datas, temperaturas, etc.)
Reconhecimento de fala baseado em PaddlePaddle, reconhecimento de fala em chinês. O projeto é bem desenvolvido e possui bom desempenho de reconhecimento. Suporta treinamento e previsão no Windows e Linux, e previsão em placas de desenvolvimento Nvidia Jetson.
Um sistema ASR All-in-One de nível industrial SOTA com módulos ASR, VAD, LID e Punc. O FireRedASR2 suporta chinês (mandarim, 20+ dialetos/sotaques), inglês, alternância de código e ASR tanto para fala quanto para canto. O FireRedVAD suporta fala/canto/música em 100+ idiomas. O FireRedLID suporta 100+ idiomas e 20+ dialetos chineses. O FireRedPunc suporta chinês e inglês.
Executando o modelo de fala para texto (whisper.cpp) no Unity3d na sua máquina local.
Framework de reconhecimento automático de fala (ASR) implementado em Pytorch para streaming e não-streaming, compatível com reconhecimento online e offline, suportando atualmente os modelos Conformer, Squeezeformer e DeepSpeech2, e diversos métodos de aumento de dados.
Kit de ferramentas de código aberto para reconhecimento de fala de ponta a ponta, aproveitando PyTorch-Lightning e Hydra.
Transcrição de Voz em Tempo Real com FastRTC ⚡️ e Whisper Local 🤗
Reconhecimento de Fala Offline com OpenAI Whisper e TensorFlow Lite para Android
Artigos INTERSPEECH 2023-2024: Uma coleção completa de artigos de pesquisa influentes e empolgantes da conferência INTERSPEECH 2023-24. Explore os mais recentes avanços no processamento de fala e linguagem. Código incluído. Dê uma estrela ao repositório para apoiar o avanço da tecnologia de fala!
Motor de fala para texto por streaming no dispositivo, desenvolvido com aprendizado profundo
Pacote de habilidades de agente de IA para narração de vídeos: corta cenas automaticamente, analisa as imagens para escrever o roteiro da narração, adiciona a locução e mixa o áudio para produzir o vídeo final; permite exportar rascunhos para Jianying/CapCut, sem necessidade de GPU | Habilidades de agente para resumos de vídeo narrados e rascunhos do CapCut
🤗 Optimum Intel: Acelere a inferência com ferramentas de otimização Intel
Estação de trabalho de legendas de Amo: fluxo de transcrição de legendas ASR de Moy (abreviado como MAW)
📣 Uma biblioteca de reconhecimento automático de fala (ASR) de código aberto de nível comercial, pronta para usar, com suporte multiplataforma e reconhecimento misto de chinês e inglês. Uma implementação multiplataforma de inferência ASR. É baseada em ONNXRuntime e FunASR. Fornecemos um conjunto de APIs mais fáceis para chamar modelos ASR.
Storyboard com reconhecimento de cenas para DeepSeek Harness: de 9 a 16 células numeradas com marcações de tempo + transcrição + envelope de áudio, reunidas em UMA única imagem (384 tokens). Duas ferramentas: video_storyboard e video_zoom.
Lista de modelos de código aberto para síntese de voz (TTS), clonagem de voz e geração musical
SpeechIO Leaderboard: uma plataforma de benchmarking grande, robusta e abrangente para o Reconhecimento Automático de Fala.
Transcreva qualquer URL de vídeo ou arquivo de áudio para texto simples. Sem GPU. Sem nuvem. Um único comando.
Um pipeline otimizado de fala para texto para o modelo Whisper que suporta vários mecanismos de inferência
Uma biblioteca de reconhecimento de fala em execução no navegador graças a uma compilação WebAssembly do Vosk
Artigos da ICASSP 2023-2024: Uma coleção completa de artigos de pesquisa influentes e interessantes das conferências ICASSP 2023-24. Explore os avanços mais recentes em acústica, fala e processamento de sinais. Código incluído. Dê uma estrela ao repositório para apoiar o avanço do processamento de áudio e sinais!
Síntese de voz, reconhecimento de fala e detecção de atividade de voz para conversas por voz, em C++ com ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet e Silero VAD em Metal, Vulkan e CPU, com um servidor compatível com OpenAI e transcrição em tempo real.