#speech-to-text Репозитории
Всего репозиториев: 211
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.
Автономные исполняемые файлы Whisper & Faster-Whisper для тех, кто не хочет возиться с Python.
LLaMA-Omni — это модель сквозного речевого взаимодействия с малой задержкой и высоким качеством, построенная на основе Llama-3.1-8B-Instruct, цель которой — достичь возможностей речи на уровне GPT-4o.
Альтернатива Amazon Echo/Google Home с открытым исходным кодом, локальная и с самостоятельным размещением
Преобразуйте аудио и видео в субтитры с помощью простого веб-интерфейса. Всё работает на вашем устройстве. Ранее назывался Whishper.
Модели преобразования речи в текст и текста в речь Kyutai на основе фреймворка моделирования задержек потоков.
Open‑source API для транскрипции собраний Google Meet, Microsoft Teams и Zoom. Боты, автоматически присоединяющиеся к встречам, реальное время WebSocket транскрипты, сервер MCP для ИИ‑агентов. Самостоятельно хостите или используйте SaaS.
Многоязычное автоматическое распознавание речи с временными метками на уровне слов и уверенностью
Конфиденциальные заметки встреч с помощью ИИ, которые хранятся на вашем компьютере. Без бота для встреч. Бесплатное ПО с открытым исходным кодом для Mac, Windows и Linux. Альтернатива Granola, Otter и Fireflies.
Альтернатива Cluely с открытым исходным кодом — молниеносный ИИ-ассистент с приоритетом конфиденциальности, который беспрепятственно работает во время совещаний, интервью и разговоров, оставаясь незамеченным. Создан с использованием Tauri для нативной производительности, всего 10 МБ. Полностью незаметен при видеозвонках, демонстрации экрана и записях.
Красивый минималистичный диктофон для встреч на Mac. Нажмите «Начать», а после завершения — «Остановить», и вы получите заметки и расшифровку в одном файле Markdown. Обработка выполняется на устройстве. Бесплатно и с открытым исходным кодом.
🐸STT - Набор инструментов глубокого обучения для преобразования речи в текст. Обучение и развертывание моделей STT еще никогда не было таким простым.
Генератор субтитров ASR/STT. Использует Qwen3-ASR, локальную LLM, Whisper, TEN-VAD. Работает в шумной среде для JAV.
🔊 Отличный список для Whisper — система распознавания речи с открытым исходным кодом на базе искусственного интеллекта, разработанная OpenAI
Бесплатная альтернатива Wispr Flow с открытым исходным кодом | Китайский настольный рабочий процесс обработки голоса нового поколения с интегрированной локальной моделью FunASR и настраиваемыми большими языковыми моделями
Транскрипция, принудительное выравнивание и индексация аудио с помощью Whisper от OpenAI
🎙Распознавание речи с использованием фреймворка глубокого обучения TensorFlow, sequence-to-sequence нейронные сети
Набор эффектов, генераторов и анализаторов с поддержкой ИИ для Audacity®.
Портативная локальная AI-студия для Windows, Linux и macOS. Графический интерфейс без настройки для генерации изображений, GGUF LLM, преобразования текста в речь и речи в текст
Локальная AI Agent Studio для Windows, созданная для электронной коммерции через прямые эфиры в Douyin и объединяющая в единый интеллектуальный рабочий процесс поиск ведущих, аналитику прямых эфиров, разбор трансляций и разработку контента для коротких видео.
Преобразование видео Bilibili в текст, один шаг, просто введите ссылку для использования
Локальное распознавание речи для macOS ИИ на устройстве, полностью приватное, опциональная облачная версия
Высокопроизводительная библиотека ИИ-инференса на устройстве для React Native с приоритетом конфиденциальности, работающая на основе среды выполнения ExecuTorch от PyTorch
Полный компонент React для редактирования видеосубтитров с возможностями распознавания речи на основе ИИ и визуального редактирования.
Нейросетевой вывод модели Mistral Voxtral Realtime 4B преобразования речи в текст на чистом C
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
TikTok LIVE API для Python: Окончательная сторонняя библиотека для получения событий прямых трансляций (комментарии, подарки и т. д.) в режиме реального времени из TikTok LIVE.
Высокопроизводительный сервер логического вывода LLM, совместимый с OpenAI и Anthropic, для Apple Silicon. Нативный MLX, непрерывная пакетная обработка, мультимодальные модели, вызовы инструментов MCP и поддержка Claude Code.
Muesli: локальная транскрипция встреч и диктовка для macOS с поддержкой агентов (альтернатива Granola + WisprFlow + Littlebird)
Бесплатный ввод текста голосом с открытым исходным кодом для macOS и Windows. Локальное распознавание речи с помощью Whisper и Parakeet; работает и офлайн.
Рабочая станция для создания (коротких видео), объединяющая планирование контента, автоматическую генерацию текстов AI, автоматическое пакетное озвучивание TTS, синтез (AI) изображений, автоматическое извлечение субтитров на языке ASR и свободное творчество AI. Удобно для управления видеопроектами каждого выпуска.
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.
Открытая локальная альтернатива Granola/Otter, которую могут запрашивать Claude Code, Codex, Cursor и любой MCP-клиент. Совещания, звонки и голосовые заметки транскрибируются на устройстве в Markdown, который принадлежит вам.