#automatic-speech-recognition Repositórios
Descubra 42 repositórios ativos de código aberto no GitHub marcados com #automatic-speech-recognition, acumulando um total de 118,799 estrelas (uma média de 2,828 por projeto). O líder deste tópico é Vaibhavs10/insanely-fast-whisper, com 13,052 estrelas.
42 repositórios no total
Modelos Fundamentais para Tradução de Fala e Texto de Ponta
Conversão de fala em texto em tempo real e local com ASR em streaming, diarização de falantes, tradução e APIs compatíveis com OpenAI/Deepgram.
Inferência GPGPU de alto desempenho do modelo de reconhecimento automático de fala (ASR) Whisper da OpenAI
Kit de Reconhecimento de Fala de Ponta a Ponta Pronto para Produção e com Foco na Produção
Kimi-Audio, um modelo de fundação de áudio de código aberto que se destaca na compreensão, geração e conversação de áudio
[NÃO MAIS MANTIDO] Utilitário de linha de comando para auto-gerar legendas para qualquer arquivo de vídeo
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.
Ferramenta de IA de Tradução/Dublagem Multilíngue de Vídeo Inteligente - Linly-Dubbing — “Capacitando com IA, sem fronteiras linguísticas”
[AutoArk] O GPA (General Purpose Audio) pode realizar ASR, TTS e conversão de voz com um único modelo minúsculo!
Omnilingual ASR open-source reconhecimento de voz multilingue para mais de 1600 idiomas
🐸STT - O kit de ferramentas de aprendizado profundo para Fala para Texto. Treinar e implantar modelos STT nunca foi tão fácil.
Um modelo de 0,9B para transcrição de conteúdos longos em mais de 50 idiomas, com diarização de locutores, marcações de tempo e reconhecimento de eventos acústicos
O repositório oficial do chat Qwen2-Audio e do modelo de linguagem de áudio grande pré-treinado proposto pela Alibaba Cloud.
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.
Step-Audio 2 é um modelo de linguagem grande multimodal completo, projetado para a compreensão de áudio de nível industrial e conversação por voz.
Autogerar legendas usando o modelo OpenAI Whisper via Jellyfin, Plex, Emby, Tautulli ou Bazarr
Kit de ferramentas Python oficial para a API Qwen3-ASR. Chamadas paralelas de alto rendimento, transcrição robusta de áudios longos e suporte a múltiplas taxas de amostragem.
:zap: TensorFlowASR: Reconhecimento Automático de Fala (ASR) praticamente de ponta no Tensorflow 2. Idiomas suportados que podem usar caracteres ou subpalavras.
Uma implementação dos modelos Parakeet da Nvidia para Apple Silicon usando MLX.
Avalie seu sistema de conversão de fala em texto com medidas de similaridade, como a taxa de erro de palavras (WER)
Omni SenseVoice: Reconhecimento de Voz de Alta Velocidade com timestamps das palavras 🗣️🎯
Dolphin é um modelo ASR (Reconhecimento Automático de Fala) multilíngue e multitarefa treinado em conjunto pela DataoceanAI e pela Universidade de Tsinghua.
Coleção de recursos sobre as aplicações de Modelos de Linguagem Grandes (LLMs) em IA de Áudio.
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.
Transcrição de Voz em Tempo Real com FastRTC ⚡️ e Whisper Local 🤗
Reconhecimento de Fala Offline com OpenAI Whisper e TensorFlow Lite para Android
✨✨[NeurIPS 2025] VITA-Audio: Geração Rápida de Tokens Intercalados Cross-Modais para um Modelo de Fala-Linguagem Grande e Eficiente
Motor de fala para texto por streaming no dispositivo, desenvolvido com aprendizado profundo
É possível configurar para iniciar a gravação ao pressionar o botão Option e terminá-la ao soltá-lo, acionando o modelo Groq Whisper Large V3 Turbo para transcrição. Como o Groq é extremamente rápido, a maioria das entradas de voz é retornada em 1-2 segundos. Além disso, graças ao poder do Whisper, o efeito da transcrição é muito bom.
Um sistema leve cliente-servidor para processamento de áudio em tempo real com detecção de atividade de voz (VAD) e reconhecimento automático de fala (ASR).
Perguntas Frequentes
Qual é o repositório de #automatic-speech-recognition mais popular no GitHub?
O projeto de código aberto de #automatic-speech-recognition mais bem classificado no GitHub é Vaibhavs10/insanely-fast-whisper, com 13,052 estrelas.
Quais linguagens de programação são mais usadas nos repositórios de #automatic-speech-recognition?
Entre os projetos de #automatic-speech-recognition mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, C++, Swift.
Como é calculada a classificação dos repositórios de #automatic-speech-recognition?
Acompanhamos 42 repositórios ativos de código aberto marcados com #automatic-speech-recognition (com mais de 500 estrelas), totalizando 118,799 estrelas e uma média de 2,828 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.