#speech-to-text Repositórios
211 repositórios no total
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.
LLaMA-Omni é um modelo de interação por voz ponta a ponta de baixa latência e alta qualidade, construído sobre o Llama-3.1-8B-Instruct, com o objetivo de alcançar capacidades de voz no nível do GPT-4o.
Alternativa de assistente de voz de código aberto, local e auto-hospedada, competitiva com Amazon Echo/Google Home
Transforme áudio e vídeo em legendas com uma interface web fácil de usar. Tudo é executado na sua própria máquina. Anteriormente Whishper.
Modelos de Fala-para-Texto e Texto-para-Fala da Kyutai baseados na estrutura Delayed Streams Modeling.
API de transcrição de reuniões de código aberto para Google Meet, Microsoft Teams e Zoom. Bots que participam automaticamente, transcrições WebSocket em tempo real, servidor MCP para agentes de IA. Auto-hospede ou utilize SaaS hospedado.
Reconhecimento Automático de Fala Multilíngue com carimbos de tempo e confiança a nível de palavra
Notas de reuniões privadas com IA que permanecem no seu computador. Sem bot de reuniões. Gratuito e de código aberto para Mac, Windows e Linux. Uma alternativa ao Granola, Otter e Fireflies.
A Alternativa de Código Aberto ao Cluely - Um assistente de IA ultrarrápido e com foco em privacidade que funciona perfeitamente durante reuniões, entrevistas e conversas sem que ninguém saiba. Construído com Tauri para desempenho nativo, apenas 10MB. Completamente indetectável em videochamadas, compartilhamento de tela e gravações.
Um gravador de reuniões bonito e minimalista para Mac. Toque em Iniciar e, depois, em Parar para obter notas e uma transcrição em um único arquivo Markdown. Tudo é processado no dispositivo. Gratuito e de código aberto.
🐸STT - O kit de ferramentas de aprendizado profundo para Fala para Texto. Treinar e implantar modelos STT nunca foi tão fácil.
Gerador de legendas ASR/STT. Usa Qwen3-ASR, LLM local, Whisper, TEN-VAD. Resistência a ruído para JAV.
🔊 Lista Incrível para o Whisper — um sistema de reconhecimento de fala de código aberto, com tecnologia de IA, desenvolvido pela OpenAI
Alternativa de código aberto e gratuita ao Wispr Flow | Fluxo de trabalho de voz para desktop chinês de próxima geração que integra modelos locais FunASR e modelos de linguagem grandes configuráveis
Inferência de fala para texto ggml para mais de 16 famílias de modelos
🎙Reconhecimento de fala usando o framework de deep learning tensorflow, redes neurais sequence-to-sequence
Um conjunto de efeitos, geradores e analisadores habilitados para IA para o Audacity®.
Estúdio de IA local e portátil para Windows, Linux e macOS. Interface gráfica sem configuração para geração de imagens, LLMs GGUF, conversão de texto em fala e de fala em texto
Um AI Agent Studio local para Windows voltado ao comércio eletrônico por meio de transmissões ao vivo no Douyin, com um fluxo de trabalho inteligente unificado que conecta a descoberta de streamers, os insights das transmissões, a análise pós-live e o planejamento editorial de conteúdos para vídeos curtos.
Converta vídeos do Bilibili em texto, tudo em um só passo, basta inserir o link para usar
Transcrição de fala local para macOS IA no dispositivo, totalmente privada, nuvem opcional
Biblioteca de inferência de IA on-device para React Native, de alto desempenho e com foco na privacidade, alimentada pelo runtime ExecuTorch do PyTorch
Um componente React completo para edição de legendas de vídeo, com reconhecimento de fala alimentado por IA e capacidades de edição visual.
Aplicativo Speech Note para Linux. Anotações, leitura e tradução com Speech to Text, Text to Speech e Tradução Automática offline.
TikTok LIVE API para Python: A biblioteca de terceiros definitiva para receber eventos de transmissão ao vivo (comentários, presentes, etc.) em tempo real do TikTok LIVE.
Servidor de inferência de LLM de alto desempenho compatível com OpenAI e Anthropic para Apple Silicon. MLX nativo, processamento em lote contínuo, modelos multimodais, chamadas de ferramentas MCP e suporte a Claude Code.
Muesli: transcrição local de reuniões e ditado nativos para agentes no macOS (alternativa ao Granola + WisprFlow + Littlebird)
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.
Uma estação de trabalho de geração (de vídeos curtos) que integra planejamento de conteúdo, geração automática de copy por IA, dublagem automática em massa por TTS, síntese de material de imagem (IA), extração automática de scripts de legendas por ASR e criação livre por IA. Facilita o gerenciamento dos projetos de vídeo de cada edição.
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.
Alternativa de código aberto e local-first ao Granola/Otter, que pode ser consultada pelo Claude Code, Codex, Cursor e qualquer cliente MCP. Reuniões, chamadas e memorandos de voz transcritos no dispositivo para Markdown que pertence a você.