#asr Репозитории
Всего репозиториев: 101
Полностью локальный, приватный и кроссплатформенный Speech-to-Text с постобработкой LLM
Первый фундаментальный ASR, созданный для реального мира - 7 атомарных акустических условий, 54 составных сценария, 2,6 миллиона образцов и до ~30% улучшений по сравнению с SOTA там, где все остальные модели терпят неудачу. **Вы вернетесь к MEGA-ASR, после того как остальные потерпят неудачу в дикой природе. ⭐**
[Неофициальный] Реализация на PyTorch "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)
VocoType — это инструмент для ввода голоса с защитой конфиденциальности и безопасности, работающий на локальной стороне клиента. С помощью горячей клавиши он в реальном времени преобразует голос в текст и автоматически вводит его в текущее приложение. Поддерживает функции, такие как MCP для преобразования голоса в текст, оптимизация текста с помощью ИИ, пользовательский словарь замен, транскрипцию аудио- и видеозаписей, делая ввод голоса более эффективным и безопасным.
Помощник для записи голоса с поддержкой BYOK, ASR-транскрибацией, диаризацией говорящих, ИИ-сводками и локальными конечными точками ASR.
🔥🔥🔥Бесплатный автономный набор инструментов ИИ-алгоритмов для Java, поддерживающий распознавание лиц, определение живости, распознавание эмоций, обнаружение объектов, сегментацию экземпляров, обнаружение пешеходов, распознавание текста OCR, распознавание номерных знаков, распознавание таблиц, ASR+TTS, машинный перевод и другие функции, доступный через ссылку Maven. Поддерживает PyTorch, Tensorflow и включает такие основные модели, как Mtcnn, InsightFace, SeetaFace6, YOLOv8~v12, PaddleOCR(PPOCRv5), Whisper и др.
Перевод аудио в реальном времени, захват системного аудио + микрофона, запуск ASR (Whisper/SenseVoice), перевод через LLM API с потоковым отображением. Идеально подходит для VTuber, стримеров и просмотра иностранного контента.
Голосовой ввод для macOS с локальными моделями: расшифровывайте речь, переводите и переформулируйте текст в любом приложении. Преемник Voxt.
Этот проект предоставляет API с поддержкой доступа на уровне пользователя для транскрибирования речи в текст с использованием тонко настроенной и обработанной модели Whisper ASR.
Omni SenseVoice: Высокоскоростное распознавание речи с временными метками слов 🗣️🎯
BiBi Keyboard: клавиатура для голосового ввода на Android, использующая LLM и ASR, основанная на Kotlin
Удобный набор инструментов для распознавания/транскрипции/конвертации голоса и т.д. | Простая и удобная голосовая панель инструментов
Сквозная система распознавания китайской речи на основе PaddlePaddle, от основ до практики, сверхпростые примеры для начинающих, сверхпрактичные корпоративные проекты. Поддерживает самые популярные в настоящее время модели DeepSpeech2, Conformer, Squeezeformer.
GLM-ASR-Nano: Надежная модель распознавания речи с открытым исходным кодом и 1,5 миллиарда параметров
AI VTuber с LLM, ASR, TTS, OCR, CV и другими технологиями для трансляций в прямом эфире или совместной игры в Minecraft.
Voxtral ASR & TTS работает нативно и в браузере. Реализация на Rust Voxtral mini реального времени ASR/TTS от Mistral с использованием фреймворка ML Burn
📦 Быстрое преобразование «китайских цифр» и «арабских цифр» ~ (Новая функция: дроби, даты, температуры и т. д.)
Распознавание речи, реализованное на основе PaddlePaddle, распознавание китайской речи. Проект завершён, эффект распознавания хороший. Поддерживает обучение и предсказание под Windows и Linux, поддерживает предсказание на плате разработки Nvidia Jetson.
Передовая промышленная комплексная система ASR с модулями ASR, VAD, LID и Punc. FireRedASR2 поддерживает китайский (мандарин, 20+ диалектов/акцентов), английский, переключение кодов, а также ASR для речи и пения. FireRedVAD поддерживает речь/пение/музыку на 100+ языках. FireRedLID поддерживает 100+ языков и 20+ китайских диалектов. FireRedPunc поддерживает китайский и английский.
Запуск модели преобразования речи в текст (whisper.cpp) в Unity3d на вашем локальном компьютере.
Базовый фреймворк Pytorch для потокового и непотокового автоматического распознавания речи, совместимый как с онлайн, так и с оффлайн распознаванием. В настоящее время он поддерживает модели Conformer, Squeezeformer и DeepSpeech2, а также различные методы аугментации данных.
Инструментарий с открытым исходным кодом для сквозного распознавания речи на базе PyTorch-Lightning и Hydra.
Транскрипция речи в реальном времени с помощью FastRTC ⚡️ и локального Whisper 🤗
Автономное распознавание речи с помощью OpenAI Whisper и TensorFlow Lite для Android
Статьи INTERSPEECH 2023-2024: Полная коллекция влиятельных и захватывающих исследовательских статей с конференции INTERSPEECH 2023-24. Изучите последние достижения в области обработки речи и языка. Код включен. Отметьте репозиторий звездочкой, чтобы поддержать развитие речевых технологий!
Ондивайс потоковый движок преобразования речи в текст на основе глубокого обучения
Пакет навыков ИИ-агента для озвучки видео: автоматическая нарезка сцен, анализ изображения для написания текста озвучки, добавление голоса и микширование звука для создания готового видео; экспорт черновиков для Jianying/CapCut, GPU не требуется | Навыки агента для озвученных видеорезюме и черновиков CapCut
🤗 Optimum Intel: Ускорьте вывод с помощью инструментов оптимизации Intel
Рабочая среда Amo для субтитров: рабочий процесс расшифровки субтитров Moy с помощью ASR (сокращённо MAW)
Кроссплатформенное программное обеспечение для отображения субтитров в реальном времени.
📣 Разработка и поддержка для всех платформ, возможность использования "из коробки", поддержка смешанного распознавания китайского и английского языков. Кроссплатформенная реализация для выполнения ASR. Основана на ONNXRuntime и FunASR. Мы предоставляем набор более простых API для вызова моделей ASR.
Сториборд с учетом сцен для DeepSeek Harness: от 9 до 16 пронумерованных кадров с временными метками, расшифровкой речи и огибающей аудио, собранных в ОДНО изображение (384 токена). Два инструмента: video_storyboard и video_zoom.
Список моделей с открытым исходным кодом для синтеза речи (TTS), клонирования голоса и генерации музыки
SpeechIO Leaderboard: большая, надежная, комплексная платформа для бенчмаркинга автоматического распознавания речи.
Преобразуйте любую ссылку на видео или аудиофайл в обычный текст. Без GPU. Без облака. Всего одна команда.
Оптимизированный конвейер преобразования речи в текст для модели Whisper с поддержкой нескольких движков вывода
Библиотека распознавания речи, работающая в браузере благодаря сборке Vosk на WebAssembly
Статьи ICASSP 2023-2024: Полная коллекция влиятельных и интересных исследовательских статей с конференций ICASSP 2023-24. Изучите последние достижения в области акустики, речи и обработки сигналов. Код прилагается. Отметьте репозиторий звездочкой, чтобы поддержать развитие обработки аудио и сигналов!
Синтез речи, распознавание речи и обнаружение речевой активности для голосового общения на C++ с использованием ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet и Silero VAD для Metal, Vulkan и CPU, с сервером, совместимым с OpenAI, и транскрибацией в реальном времени.