#speech-to-text Репозитории
Откройте для себя 211 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #speech-to-text, с общим числом 925,003 звёзд (в среднем 4,383 на проект). Лидером этой темы является debpalash/VoiceStudio, набравший 115,753 звёзд.
Всего репозиториев: 211
VoiceStudio — это полностью локальная альтернатива ElevenLabs с открытым исходным кодом: клонирование голоса, дизайн голоса, дубляж видео, диктовка, транскрибация и создание аудиокниг на 646 языках.
Бесплатное, с открытым исходным кодом и расширяемое приложение для преобразования речи в текст, которое работает полностью в автономном режиме.
ИИ-инструмент для заметок с совещаний, ориентированный на конфиденциальность, для Windows, macOS и Linux. Бесплатный, с открытым исходным кодом (MIT). Распознавание речи Whisper/Parakeet и диаризация говорящих выполняются на устройстве; бот для участия в совещании не нужен. Открытая альтернатива Granola, Otter и Fireflies. https://meetily.ai
WhisperX: Автоматическое распознавание речи с временными метками на уровне слов (& диаризация)
YC (S26) | Screenpipe находит работу, которую стоит автоматизировать | Непрерывно записывайте работу за компьютером локально, выявляйте повторяющиеся рабочие процессы и передавайте результат любому агенту, которым вы уже пользуетесь.
🚀 Самостоятельно размещаемый API для сбора данных с Douyin, TikTok и Bilibili и скачивания видео без водяных знаков. Поддерживает вызовы ИИ-агентов через MCP и офлайн-преобразование речи в текст. Развёртывание Docker в один клик. | Самостоятельно размещаемый парсер TikTok, Douyin и Bilibili и загрузчик видео без водяных знаков: асинхронный REST API, MCP-сервер для ИИ-агентов, CLI и веб-консоль, а также офлайн-преобразование речи в текст для скачанных видео. Самовосстанавливающийся пул идентификаторов, архив PostgreSQL и запуск одной командой `docker compose up`.
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.
Переведите видео с одного языка на другой и встройте дубляж и субтитры.
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
Создавайте голосовых агентов с помощью моделей с открытым исходным кодом
Gradio WebUI для создателей и разработчиков, с основными функциями TTS (Edge-TTS, kokoro) и клонированием голоса без обучения (zero-shot Voice Cloning) (E2 & F5-TTS, CosyVoice), а также обработкой аудио Whisper, загрузкой с YouTube, выделением вокала Demucs и многоязычным переводом.
Приложение для диктовки голос-в-текст с локальными (Nvidia Parakeet/Whisper) и облачными моделями (BYOK). Приоритет приватности и доступно кросс-платформенно.
Преобразование речи в текст в реальном времени и локально с потоковым ASR, диаризацией говорящих, переводом и API, совместимыми с OpenAI/Deepgram.
Скачивайте видео и аудио с более чем 1 000 сайтов, расшифровывайте их локально с указанием говорящих, а также обобщайте, переводите материалы или общайтесь с ними с помощью предпочитаемого ИИ-провайдера.
Надежная, эффективная библиотека преобразования речи в текст с низкой задержкой, расширенным обнаружением голосовой активности, активацией по ключевому слову и мгновенной транскрипцией.
Модель SenseVoiceSmall с открытым исходным кодом для распознавания речи на мандаринском, кантонском, английском, японском и корейском языках, идентификации языка, распознавания эмоций и обнаружения аудиособытий.
Модуль распознавания речи для Python, поддерживающий несколько движков и API, онлайн и офлайн.
Система распознавания китайской речи на основе глубокого обучения
Библиотека преобразования текста в речь (TTS), речи в текст (STT) и речи в речь (STS), построенная на базе фреймворка MLX от Apple, обеспечивающая эффективный анализ речи на Apple Silicon.
Предварительный выпуск ODS V3: публичное тестирование и доработка перед официальным запуском V3. Превратите свой ПК, Mac или компьютер под управлением Linux в частный ИИ-сервер.
Записывайте экран, делитесь демо-версиями. Бесплатно и с открытым исходным кодом, аппаратное ускорение GPU, без водяных знаков, без подписок. Windows, macOS, Linux. Активно поддерживается.
Инструмент для транскрибации видео, создания субтитров и нарезки с помощью LLM на базе FunASR с локальным интерфейсом Gradio.
ИИ моментально генерирует пакеты коротких видео, автоматически смешивает короткие видео, автоматически публикует видео на Douyin, Kuaishou, Xiaohongshu, Video Channel, зарабатывать деньги еще никогда не было так просто! Поддерживает локальные голосовые модели chatTTS, faster-whisper, GPTSoVITS, поддерживает облачные голоса: Azure, Alibaba Cloud, Tencent Cloud. Поддерживает Stable diffusion, comfyUI для прямой генерации изображений с помощью ИИ. Генерация коротких видео с помощью ИИ LLM в один клик, печатайте деньги вместе! Поддерживает: chatTTS, faster-whisper, GPTSoVITS, Azure, Tencent Cloud, Ali Cloud.
Голосовая ИИ-платформа с открытым исходным кодом. Self-hosted альтернатива Vapi и Retell. Работает on-premise, поддерживает BYOK для Speech-to-Speech или LLM/STT/TTS, включает визуальный конструктор рабочих процессов, нативную поддержку MCP и телефонии.
Модели Silero: предварительно обученные модели преобразования текста в речь, доведенные до невероятной простоты
🎙️🤖Создавайте, настраивайте и общайтесь со своим ИИ-персонажем/компаньоном в реальном времени (все в одной кодовой базе!). Ведите естественный плавный разговор с ИИ везде (на мобильных устройствах, в Интернете и в терминале), используя LLM OpenAI GPT3.5/4, Anthropic Claude2, Chroma Vector DB, Whisper Speech2Text, ElevenLabs Text2Speech🎙️🤖
Локализация и дубляж видео на базе ИИ с открытым исходным кодом для YouTube/Bilibili: распознавание речи, перевод субтитров, клонирование голоса, сведение звука и рендеринг. Инструмент с открытым исходным кодом для перевода и озвучивания видео с помощью ИИ.
Автоматическое распознавание речи с диаризацией диктора на основе OpenAI Whisper
Автономный ИИ-компаньон для рабочего стола, учитывающий контекст. Разработан на Python и оснащён распознаванием содержимого экрана в реальном времени, пользовательским синтезом речи ONNX, отслеживанием активного окна и динамическим плавающим интерфейсом с отзывчивой мимикой.
Инструмент распознавания речи в текст / Локальный автономный инструмент для преобразования аудио/видео в субтитры с выводом в форматах json, srt и простого текста
Реализация модели Whisper от OpenAI на JAX для ускорения до 70 раз на TPU.
Генерация субтитров на устройстве с прямым подключением к DaVinci Resolve, Premiere и After Effects.
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.
Легкий и мощный инструмент для перевода аудио/речи в реальном времени на основе Windows LiveCaptions.
Часто задаваемые вопросы
Какой репозиторий по теме #speech-to-text наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #speech-to-text на GitHub — debpalash/VoiceStudio, набравший 115,753 звёзд. VoiceStudio — это полностью локальная альтернатива ElevenLabs с открытым исходным кодом: клонирование голоса, дизайн голоса, дубляж видео, диктовка, транскрибация и создание аудиокниг на 646 языках.
Какие языки программирования чаще всего используются в репозиториях по теме #speech-to-text?
Среди наиболее высоко оценённых проектов по теме #speech-to-text на GitHub чаще всего используются языки программирования Python, TypeScript, Rust, C++.
Как рассчитывается рейтинг репозиториев по теме #speech-to-text?
Мы отслеживаем 211 активных репозиториев с открытым исходным кодом, отмеченных тегом #speech-to-text (500 и более звёзд), с общим числом 925,003 звёзд и в среднем 4,383 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.