#speech-recognition Репозитории
Всего репозиториев: 206
Локальный голосовой чат-бот для увлекательных разговоров, работающий на базе Ollama, Hugging Face Transformers и Coqui TTS Toolkit
📦 Быстрое преобразование «китайских цифр» и «арабских цифр» ~ (Новая функция: дроби, даты, температуры и т. д.)
Приватная клавиатура и служба распознавания речи на устройстве для Android.
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.
Автономное распознавание речи с помощью OpenAI Whisper и TensorFlow Lite для Android
Allosaurus — предварительно обученный универсальный распознаватель речи для более чем 2000 языков
OpenAmika: ИИ-компаньон MekaHime по имени Amika — проект с открытым исходным кодом. Аватар Live2D, голосовое общение в реальном времени, долговременная память и OpenRouter или Ollama в качестве мозга.
Ming — обеспечивает передовые возможности мультимодального понимания и генерации, построенные на базе Ling LLM.
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
Интерфейс командной строки для встроенных функций распознавания речи и транскрипции в macOS.
Бесплатный аудиодатасет произнесенных цифр. Аудиоверсия MNIST.
Голосовой ввод для Fcitx5 — локальное и облачное распознавание речи, переформулирование с помощью LLM, пакеты для разных дистрибутивов
ChatGPT дома! Лучшая альтернатива коммерческим умным домашним помощникам, построенная на Raspberry Pi с использованием LiteLLM и LangGraph.
:speech_balloon: /so.nus/ STT (речь в текст) для Node с оффлайн-обнаружением горячих слов
Заголовки для преобразования речи в текст и ввода с клавиатуры для OBS, VRChat, чата Twitch и Discord
Молниеносно быстрый, бесплатный голосовой ввод для macOS с приоритетом локальной обработки и транскрибацией на устройстве
Декодер Connectionist Temporal Classification (CTC) со словарем и языковой моделью.
Система самостоятельного кодирования для вашего приложения — Alan AI SDK для React Native
🗣 Наложение, которое получает разрешение на голос пользователя и вводит его как текст в настраиваемом интерфейсе
SpeechIO Leaderboard: большая, надежная, комплексная платформа для бенчмаркинга автоматического распознавания речи.
Бесплатное приложение для диктовки на macOS с открытым исходным кодом и приоритетом локальной обработки. Удерживайте сочетание клавиш, говорите — и текст будет введён в любое приложение. Преобразование речи в текст прямо на устройстве с помощью Whisper, Parakeet и Apple Speech. Приватная, работающая офлайн альтернатива Wispr Flow с открытым исходным кодом.
Агент интерактивного взаимодействия речь-в-речь высокого качества с потоковой передачей в одном файле. Прототип интеллектуального агента с потоковым полно-dуплексным голосовым взаимодействием, реализованный только в одном файле!
Список API STT для распознавания корейской речи. Бенчмарки производительности для каждого.
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
Набор данных эмоциональных мульти-модальных актёров с краудсорсингом (CREMA-D)
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!
Автоматическое распознавание речи (ASR), движок преобразования текста в речь (TTS). Распознавание речи на китайском и английском, многоролевая синтез речи, поддержка нескольких языков, высокая точность
Отслеживайте крупные модели в аудио домене, включая речь, пение, музыку и т.д.