#speech-recognition Репозитории
Всего репозиториев: 206
🐸STT - Набор инструментов глубокого обучения для преобразования речи в текст. Обучение и развертывание моделей STT еще никогда не было таким простым.
Cicada · Субтитры в реальном времени, синхронный перевод и заметки по итогам встреч с помощью ИИ для любых встреч и трансляций. Бесплатно и с открытым исходным кодом для Mac, Windows, Linux и Android.
Модель 0,9B для транскрибации длинных записей на более чем 50 языках с диаризацией говорящих, временными метками и распознаванием акустических событий
🎙Распознавание речи с использованием фреймворка глубокого обучения TensorFlow, sequence-to-sequence нейронные сети
:microphone: Библиотека распознавания речи React Native для iOS и Android (Поддержка онлайн и офлайн)
Локальный мультимодальный ИИ в реальном времени с функциями, аналогичными GPT-Live
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.
Распознавание речи на китайском языке; Автоматическое распознавание речи на мандаринском языке;
Движок непрерывного распознавания речи с большим словарем с открытым исходным кодом
Куратированный список крутых статей, библиотек, датасетов и других ресурсов по Speaker Diarization.
Высокопроизводительная среда выполнения для обслуживания интерактивных систем сверхинтеллекта
Официальный репозиторий Qwen-Audio (通义千问-Audio) chat & предварительно обученной большой аудиоязыковой модели, предложенной Alibaba Cloud.
Система самостоятельного кодирования для вашего приложения — Alan AI SDK для Android
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.
Настольное приложение Linux, обеспечивающее преобразование речи в текст в реальном времени
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.
Плагин OBS для локального распознавания речи и создания субтитров с использованием ИИ
Бесплатный ввод текста голосом с открытым исходным кодом для macOS и Windows. Локальное распознавание речи с помощью Whisper и Parakeet; работает и офлайн.
🗣️ CLI для транскрипции речи на устройстве с использованием Speech.framework в macOS 26
Amica — это интерфейс с открытым исходным кодом для интерактивного общения с 3D-персонажами с использованием синтеза речи и 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/
Семейство SALMONN: набор передовых мультимодальных больших языковых моделей (LLM)
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.
Персональный помощник, созданный с использованием библиотек Python. Он делает практически все, включая отправку электронных писем, оптическое распознавание текста, динамическое предоставление новостей в любое время с интеграцией API, генератор списков дел, открытие любого веб-сайта с помощью голосовой команды, воспроизведение музыки, поиск в Википедии, словарь с интеллектуальным датчиком, то есть автоматической проверкой орфографии, отчет о погоде, то есть температуре, скорости ветра, влажности, поиск на YouTube, поиск на Google Картах, загрузка на YouTube и т. д.
Этот репозиторий содержит скрипты, модели и необходимые файлы для Deep Noise Suppression (DNS) Challenge.
Точно настраивайте LLMs на вашем Mac с Apple Silicon. SFT, DPO, GRPO, Vision, TTS, STT, Embedding и тонкая настройка OCR — нативно на MLX. API, совместимый с Unsloth.
Единое мультимодальное предварительное обучение речи и текста для обработки разговорной речи
Pruna — это фреймворк для оптимизации моделей, созданный для разработчиков, позволяющий создавать более быстрые и эффективные модели с минимальными накладными расходами.
💎 Список доступных речевых корпусов для ASR, TTS и других технологий речи
Клиент Whisper для командной строки, совместимый с оригинальным клиентом OpenAI на базе CTranslate2.
Плагин OBS для закрытых субтитров с использованием распознавания речи Google
Простая игрушечная демонстрация локального голосового помощника с whisper и большой языковой моделью.
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
Графический инструмент для офлайн-транскрипции речевых записей, включая диаризацию спикеров, с использованием передовых моделей машинного обучения.
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