#asr Репозитории
Откройте для себя 100 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #asr, с общим числом 289,141 звёзд (в среднем 2,891 на проект). Лидером этой темы является m-bain/whisperX, набравший 25,556 звёзд.
Всего репозиториев: 101
WhisperX: Автоматическое распознавание речи с временными метками на уровне слов (& диаризация)
Набор инструментов с открытым исходным кодом для распознавания речи, предназначенный для обучения, вывода, потокового ASR, VAD, пунктуации, конвейеров диаризации дикторов и обслуживания, совместимого с OpenAI/MCP.
Масштабируемая генеративная ИИ-платформа, созданная для исследователей и разработчиков, работающих с большими языковыми моделями, мультимодальными системами и речевым ИИ (автоматическое распознавание речи и синтез речи из текста)
Преобразование речи в текст, преобразование текста в речь, диаризация дикторов, улучшение речи, разделение источников и VAD с использованием Kaldi следующего поколения с onnxruntime без подключения к Интернету. Поддержка встраиваемых систем, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, NPU RK, NPU Axera, NPU Ascend, серверов x86_64, сервера/клиента websocket, поддержка 12 языков программирования
API оффлайн-распознавания речи для Android, iOS, Raspberry Pi и серверов с Python, Java, C# и Node
Простой в использовании набор инструментов для речи, включающий модель самообучения, SOTA/потоковый ASR с пунктуацией, потоковый TTS с текстовым фронтендом, систему верификации спикера, перевод речи от начала до конца и распознавание ключевых слов. Получил награду Best Demo Award NAACL2022.
Модель SenseVoiceSmall с открытым исходным кодом для распознавания речи на мандаринском, кантонском, английском, японском и корейском языках, идентификации языка, распознавания эмоций и обнаружения аудиособытий.
Это Python API, который позволяет получить транскрипт/субтитры для заданного видео на YouTube. Он также работает с автоматически сгенерированными субтитрами и не требует API-ключа или headless-браузера, как другие решения на основе Selenium!
🤖 wukong-robot — это простой, гибкий и элегантный проект китайского голосового диалогового робота/умной колонки, поддерживающий возможности многократного диалога ChatGPT, и, возможно, первый открытый проект умной колонки с поддержкой мозг-компьютерного взаимодействия.
Инструмент для транскрибации видео, создания субтитров и нарезки с помощью LLM на базе FunASR с локальным интерфейсом Gradio.
Автоматическое распознавание речи с диаризацией диктора на основе OpenAI Whisper
Запись HTML5 JS MP3 WAV OGG WebM AMR G711A G711U форматы, поддержка PC и Android, iOS некоторые веб-браузеры, Hybrid App (предоставляется исходный код App Android iOS), WeChat, предоставляет ASR распознавание речи в текст версия H5 пример чата голосовых вызовов DTMF кодирование/декодирование
Сначала производство и готовый к производству комплект для сквозного распознавания речи
Медиаплеер для изучения языков с двойными субтитрами, субтитрами, сгенерированными ИИ, переводом в реальном времени и многим другим!
Универсальный механизм вывода на чистом C++ для аудиомоделей на базе ggml. Поддерживает TTS, STT, VAD, преобразование голоса, генерацию музыки и многое другое с высокой оптимизацией производительности. Без зависимости от Python.
Удерживайте клавишу, говорите, отпустите — текст, отшлифованный ИИ, появляется у вашего курсора в любом приложении. Открытый ввод с голоса для macOS и Windows.
Streamer-Sales Чемпион продаж — Большая языковая модель LLM для стримеров-продавцов 🛒🎁, большая языковая модель LLM для стримеров-продавцов, способная комментировать товары с точки зрения стимулирования покупательского намерения пользователя на основе заданных характеристик товара. 🚀⭐ Содержит подробные процессы генерации данных ❗ 📦 Также интегрированы LMDeploy для ускоренного вывода 🚀, RAG (генерация с дополнением поиском) 📚, TTS (преобразование текста в речь) 🔊, генерация цифровых аватаров 🦸, использование Агентов для запроса информации в реальном времени в сети 🌐, ASR (преобразование речи в текст) 🎙️, фронтенд на базе экосистемы Vue 🍍, бэкенд на базе FastAPI 🗝️, упаковка и развертывание с помощью Docker-compose 🐋
Аудиомодели Frontier CoreML в ваших приложениях — преобразование текста в речь, преобразование речи в текст, обнаружение голосовой активности и диаризация дикторов. В Swift, на базе современных открытых исходных кодов.
Автономные исполняемые файлы Whisper & Faster-Whisper для тех, кто не хочет возиться с Python.
[AutoArk] GPA (General Purpose Audio) может выполнять ASR, TTS и преобразование голоса с помощью одной крошечной модели!
Многоязычное автоматическое распознавание речи с временными метками на уровне слов и уверенностью
Быстро извлекайте аудио- и видеоконтент, организуя его в структурированную заметку markdown
🐸STT - Набор инструментов глубокого обучения для преобразования речи в текст. Обучение и развертывание моделей STT еще никогда не было таким простым.
Открытые промышленные модели ASR, поддерживающие мандаринский язык, китайские диалекты и английский язык, достигающие нового уровня SOTA на публичных бенчмарках ASR на мандаринском языке, а также обладающие выдающейся способностью распознавания текстов песен.
AI+IoT фреймворк нового поколения для T2/T3/T5AI/ESP32/и других – Быстрая интеграция оборудования IoT и ИИ-агентов
Высокопроизводительная среда выполнения для обслуживания интерактивных систем сверхинтеллекта
Распознавание речи в реальном времени и обнаружение голосовой активности (VAD) с использованием Kaldi нового поколения с ncnn без подключения к Интернету. Поддержка iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A и т. д.
Bailing — это голосовой чат-бот, похожий на GPT-4o, реализованный через ASR+LLM+TTS, интегрированный с отличными большими моделями вроде DeepSeek R1, подключённый к openClaw, настоящий личный голосовой ассистент с задержкой до 800 мс, работает на низкоресурсных устройствах вроде Mac, поддерживает прерывание
Приложение Speech Note для Linux. Создание заметок, чтение и перевод с помощью автономного преобразования речи в текст (Speech to Text), текста в речь (Text to Speech) и машинного перевода.
Универсальный мультимодальный движок анализа + готовый для ИИ движок знаний на основе онтологии, управляемый LLM Wiki
Бесплатный ввод текста голосом с открытым исходным кодом для macOS и Windows. Локальное распознавание речи с помощью Whisper и Parakeet; работает и офлайн.
Анализируйте видео с помощью LLM, компьютерного зрения и автоматического распознавания речи
Модели распознавания речи Fun-ASR с нативной поддержкой Hugging Face Transformers для Fun-ASR-Nano и отдельными вариантами развёртывания для FunASR, vLLM и llama.cpp.
DELTA — это платформа обработки естественного языка и речи на основе глубокого обучения. LF AI & DATA Projects: https://lfaidata.foundation/projects/delta/
Управляемая транскрипция. Дословная (с каждым словом-паразитом, паузой, заиканием и вокальным звуком) или смысловая (что именно хотел сказать говорящий, с оптимизацией для удобства чтения), с временными метками на уровне слов.
🍦 Speech-AI-Forge — это проект, разработанный вокруг модели генерации TTS, реализующий API-сервер и веб-интерфейс на основе Gradio.
Цифровой человек с голосовым взаимодействием в реальном времени, с настраиваемой внешностью и голосом, поддерживающий клонирование голоса, с задержкой диалога до 3 секунд.
Нативное распознавание речи для Linux - Быстрое, точное, приватное и настраиваемое системное диктование
Инструментарий ИИ для речи на Apple Silicon — ASR, TTS, речь-в-речь, VAD и диаризация на базе MLX и CoreML
StreamSpeech — это универсальная(«All in One»)бесшовная модель для офлайн- и синхронного распознавания речи, голосового перевода и синтеза речи.
Сервер распознавания речи на основе WebSocket, gRPC и WebRTC с использованием библиотек Vosk и Kaldi
Открытый ИИ-движок для AMD Strix Halo. Текстовые модели, модели эмбеддингов, речи, изображений и видео в одном бинарном файле, а также API, совместимые с OpenAI, кэширование для агентов программирования и расширения моделей. Linux и Windows.
Дообучите модель распознавания речи Whisper для поддержки обучения без данных временных меток, обучения с данными временных меток и обучения без данных речи. Ускорьте вывод и поддержите веб-развертывание, развертывание на рабочем столе Windows и развертывание на Android
Часто задаваемые вопросы
Какой репозиторий по теме #asr наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #asr на GitHub — m-bain/whisperX, набравший 25,556 звёзд. WhisperX: Автоматическое распознавание речи с временными метками на уровне слов (& диаризация)
Какие языки программирования чаще всего используются в репозиториях по теме #asr?
Среди наиболее высоко оценённых проектов по теме #asr на GitHub чаще всего используются языки программирования Python, C++, C, Jupyter Notebook.
Как рассчитывается рейтинг репозиториев по теме #asr?
Мы отслеживаем 100 активных репозиториев с открытым исходным кодом, отмеченных тегом #asr (500 и более звёзд), с общим числом 289,141 звёзд и в среднем 2,891 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.