#speech-to-text Репозитории
Всего репозиториев: 211
Речь в текст в речь. Песня воспроизводится. Отправляет текст в виде сообщений OSC в VRChat для отображения на аватаре. (STTTS) (Речь в TTS) (Система VRC STT) (VTuber TTS)
🎤 Lobe TTS - Высококачественная и надежная библиотека TTS/STT для серверов и браузеров
Быстрое, приватное, локально-ориентированное голосовое приложение для Mac на Apple Silicon — диктовка, транскрипция файлов/медиа, запись встреч, преобразования и публичная CLI для автоматизации. Бесплатно и с открытым исходным кодом.
устройство на базе esp32, в основном используемое для голосового чата с большими языковыми моделями
Локальный голосовой чат-бот для увлекательных разговоров, работающий на базе Ollama, Hugging Face Transformers и Coqui TTS Toolkit
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.
Реализация функций, связанных с ИИ-чатом, с использованием Unity. В настоящее время эта библиотека содержит реализации кода для вызовов API к большим языковым моделям, таким как ChatGPT и ChatGLM, а также реализацию функций речевых сервисов Microsoft Azure и Baidu AI. Оба речевых сервиса используют веб-API и поддерживают такие платформы, как Windows/WebGL/Android.
AlwaysReddy — это голосовой ассистент на базе LLM, который всегда находится на расстоянии одного нажатия горячей клавиши.
Rapida — это открытая платформа оркестровки голосового ИИ от конца до конца, предназначенная для создания голосовых агентов в реальном времени с потоковой передачей аудио, STT, TTS, VAD, многоканальной интеграцией, управлением состоянием агентов и наблюдаемостью。
Сборник ресурсов по применению больших языковых моделей (LLM) в Audio AI.
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.
Голосовой ввод с ИИ с открытым исходным кодом для macOS, Windows и Linux. Нажмите горячую клавишу, говорите естественно — и получайте отполированный текст в любом приложении.
Транскрибируйте и переводите голос в файл LRC с помощью Whisper и LLM (GPT, Claude и др.). Используйте whisper и LLM (GPT, Claude и др.) для транскрипции и перевода вашего аудио в файл субтитров.
Ондивайс потоковый движок преобразования речи в текст на основе глубокого обучения
Открытый ИИ-помощник для собеседований и копилот для встреч: ответы в реальном времени во время звонков в Zoom, Google Meet и Teams, транскрибация на устройстве и невидимость при демонстрации экрана. Бесплатная альтернатива Cluely, Interview Coder и Final Round AI для Windows, macOS и Linux.
ИИ на устройстве для Flutter — Gemma и другие большие языковые модели, мультимодальность, вызов функций, эмбеддинги, RAG и речь на Android, iOS, Web, macOS, Windows и Linux.
:speech_balloon: /so.nus/ STT (речь в текст) для Node с оффлайн-обнаружением горячих слов
Студия презентаций в стиле Canva, работающая только в браузере и использующая локальный Web AI.
Нативное приложение для диктовки в строке меню macOS, использующее локальное преобразование речи в текст с помощью WhisperKit
Возможность частного развертывания во внутренней сети, инструмент для транскрипции и резюмирования речи для команд/подразделений, полный код фронтенда и бэкенда
Заголовки для преобразования речи в текст и ввода с клавиатуры для OBS, VRChat, чата Twitch и Discord
Jigasi: серверное приложение, действующее как шлюз для конференций Jitsi Meet. В настоящее время позволяет обычным SIP-клиентам присоединяться к собраниям и предоставляет возможности транскрипции.
Создание программного обеспечения для автоматического мониторинга при онлайн-наблюдении
Молниеносно быстрый, бесплатный голосовой ввод для macOS с приоритетом локальной обработки и транскрибацией на устройстве
Дайте ИИ-агентам глаза, уши и проверяемые результаты. Watch Skill превращает видео, аудио и действия на экране в доступные для поиска доказательства с временными метками и подтверждает выполнение работы детерминированными контрактами, а не мнением модели. DeepWatch — рабочее пространство для агентов на базе DeepSeek Harness. Python + npm, MCP, CLI, REST и Web.
Библиотека Python для решения reCAPTCHA v2 и v3 с помощью Playwright
🎭 Платформа ИИ-аватаров / цифровых людей — загрузите фотографию, клонируйте голос и общайтесь с любым лицом в реальном времени с помощью видео с синхронизацией губ. Открытый исходный код, самостоятельный хостинг. Claude · Whisper · Chatterbox · MuseTalk.
Разговорная IME (клавиатура) с открытым исходным кодом на устройстве для Android с использованием библиотеки Vosk.
🗣 Наложение, которое получает разрешение на голос пользователя и вводит его как текст в настраиваемом интерфейсе
MCP-сервер для аппаратной мыши для ИИ-агентов в Windows x64. Управление через USB HID и голосовая диктовка; требуются совместимые оборудование и прошивка uMouse.
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.
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
Библиотека распознавания речи, работающая в браузере благодаря сборке Vosk на WebAssembly
Создавайте ИИ-агентов для телефонных звонков на собственном компьютере и проверяйте каждое изменение с помощью ИИ-звонящего. Открытый исходный код; работает бесплатно без API-ключей, а со своими ключами стоит несколько центов за звонок. Поддерживает импорт Dialogflow CX.