#automatic-speech-recognition Репозитории
Откройте для себя 42 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #automatic-speech-recognition, с общим числом 118,799 звёзд (в среднем 2,828 на проект). Лидером этой темы является Vaibhavs10/insanely-fast-whisper, набравший 13,052 звёзд.
Всего репозиториев: 42
Фундаментальные модели для передовой речевой и текстовой трансляции
Преобразование речи в текст в реальном времени и локально с потоковым ASR, диаризацией говорящих, переводом и API, совместимыми с OpenAI/Deepgram.
Высокопроизводительное GPGPU-выведение модели Whisper от OpenAI для автоматического распознавания речи (ASR)
Сначала производство и готовый к производству комплект для сквозного распознавания речи
Kimi-Audio, основа фундаментальной модели аудио с открытым исходным кодом, превосходная в понимании, генерации и диалоге аудио
[БОЛЬШЕ НЕ ПОДДЕРЖИВАЕТСЯ] Утилита командной строки для автоматической генерации субтитров для любого видеофайла
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.
Интеллектуальный многоязычный ИИ-инструмент для озвучивания/перевода видео - Linly-Dubbing — « ИИ — сила, языки — вне границ »
[AutoArk] GPA (General Purpose Audio) может выполнять ASR, TTS и преобразование голоса с помощью одной крошечной модели!
Omnilingual ASR открытый исходный код многоязычное распознавание речи для более 1600 языков
🐸STT - Набор инструментов глубокого обучения для преобразования речи в текст. Обучение и развертывание моделей STT еще никогда не было таким простым.
Детектор голосовой активности (VAD): низкая задержка, высокая производительность и легковесность
Модель 0,9B для транскрибации длинных записей на более чем 50 языках с диаризацией говорящих, временными метками и распознаванием акустических событий
Официальный репозиторий чата Qwen2-Audio и предварительно обученной большой аудиоязыковой модели, предложенной Alibaba Cloud.
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.
Step-Audio 2 — это комплексная мультимодальная большая языковая модель, разработанная для профессионального понимания звука и речевого общения.
Автоматическая генерация субтитров с помощью модели OpenAI Whisper через Jellyfin, Plex, Emby, Tautulli или Bazarr
Официальный Python-инструментарий для API Qwen3-ASR. Параллельные высокопроизводительные вызовы, надежная транскрипция длинного аудио, поддержка нескольких частот дискретизации.
:zap: TensorFlowASR: Почти передовая автоматическая система распознавания речи в Tensorflow 2. Поддерживаемые языки, которые могут использовать символы или подслова
Реализация моделей Parakeet от Nvidia для Apple Silicon с использованием MLX.
Оцените вашу систему преобразования речи в текст с помощью мер сходства, таких как коэффициент ошибок слов (WER)
Omni SenseVoice: Высокоскоростное распознавание речи с временными метками слов 🗣️🎯
Dolphin — это многоязычная многозадачная модель ASR, совместно обученная DataoceanAI и Университетом Цинхуа.
Сборник ресурсов по применению больших языковых моделей (LLM) в Audio AI.
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.
Транскрипция речи в реальном времени с помощью FastRTC ⚡️ и локального Whisper 🤗
Автономное распознавание речи с помощью OpenAI Whisper и TensorFlow Lite для Android
✨✨[NeurIPS 2025] VITA-Audio: Быстрая перемежающаяся кросс-модальная генерация токенов для эффективной крупной речеязыковой модели
Ондивайс потоковый движок преобразования речи в текст на основе глубокого обучения
Можно реализовать запись нажатием кнопки Option и завершение записи отпусканием кнопки, после чего будет вызвана модель Groq Whisper Large V3 Turbo для транскрипции. Поскольку Groq работает очень быстро, большинство голосовых вводов обрабатываются в течение 1-2 секунд. И благодаря мощным возможностям whisper, эффект транскрипции очень хороший.
Легковесная клиент-серверная система для обработки аудио в реальном времени с обнаружением активности голоса (VAD) и автоматическим распознаванием речи (ASR).
Часто задаваемые вопросы
Какой репозиторий по теме #automatic-speech-recognition наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #automatic-speech-recognition на GitHub — Vaibhavs10/insanely-fast-whisper, набравший 13,052 звёзд.
Какие языки программирования чаще всего используются в репозиториях по теме #automatic-speech-recognition?
Среди наиболее высоко оценённых проектов по теме #automatic-speech-recognition на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, C++, Swift.
Как рассчитывается рейтинг репозиториев по теме #automatic-speech-recognition?
Мы отслеживаем 42 активных репозиториев с открытым исходным кодом, отмеченных тегом #automatic-speech-recognition (500 и более звёзд), с общим числом 118,799 звёзд и в среднем 2,828 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.