#speech-to-text 仓库
共 211 个仓库
Frontier CoreML 音频模型,适用于您的应用 — 文本转语音、语音转文本、语音活动检测和说话人分离。采用 SOTA 开源技术,支持 Swift。
LLaMA-Omni 是一个基于 Llama-3.1-8B-Instruct 构建的低延迟、高质量的端到端语音交互模型,旨在实现 GPT-4o 级别的语音能力。
面向 Google Meet、Microsoft Teams 和 Zoom 的开源会议转录 API。自动加入机器人、实时 WebSocket 转录、用于 AI 代理的 MCP 服务器。自托管或使用托管 SaaS。
保存在你电脑上的私密 AI 会议记录。无需会议机器人。适用于 Mac、Windows 和 Linux 的免费开源软件。Granola、Otter 和 Fireflies 的替代方案。
Cluely 的开源替代品 - 一款闪电般快速、注重隐私的 AI 助手,可在会议、面试和对话中无缝运行,而无人知晓。使用 Tauri 构建,性能原生,仅 10MB。在视频通话、屏幕共享和录制中完全无法检测。
一款美观简约的 Mac 会议录音工具。按下“开始”,再按“停止”,即可在一个 Markdown 文件中获得笔记和文字转录。所有处理均在设备上完成,免费且开源。
🎙使用 TensorFlow 深度学习框架的语音识别,sequence-to-sequence neural networks
适用于 Windows、Linux 和 macOS 的便携式本地 AI 工作室。无需设置的图形界面,支持图像生成、GGUF 大语言模型、文本转语音和语音转文本
面向抖音直播电商的 Windows 本地 AI Agent Studio,贯通主播发现、直播洞察、直播复盘与短视频内容编导的统一智能工作流。
高性能、隐私优先的 React Native 端侧 AI 推理库,由 PyTorch 的 ExecuTorch 运行时提供支持
适用于 Apple Silicon 的高性能 OpenAI 和 Anthropic 兼容 LLM 推理服务器。原生 MLX、连续批处理、多模态模型、MCP 工具调用和 Claude Code 支持。
一个集内容策划、AI文案自动生成、TTS 批量自动配音、(AI)图片素材合成、ASR自动提取语言字幕脚本、AI自由创作于一体的(短视频)生成工作站。方便管理每期的视频项目。
Fun-ASR 语音识别模型,为 Fun-ASR-Nano 提供原生 Hugging Face Transformers 支持,并提供独立的 FunASR、vLLM 和 llama.cpp 部署路径。
开源、本地优先的 Granola/Otter 替代方案,Claude Code、Codex、Cursor 以及任何 MCP 客户端都可以查询。会议、通话和语音备忘录均在设备上转录为由你掌控的 Markdown。