#speech-to-text 仓库
共 211 个仓库
语音转文字转语音。歌曲正在播放。将文本作为OSC消息发送到VRChat以在头像上显示。(STTTS)(语音转TTS)(VRC STT系统)(VTuber TTS)
适用于Apple Silicon Mac的快速、私密、本地优先的语音应用——支持听写、文件/媒体转录、会议录音、转换功能以及公共自动化命令行界面。免费且开源。
基于PaddlePaddle实现的语音识别,中文语音识别。项目完善,识别效果好。支持Windows,Linux下训练和预测,支持Nvidia Jetson开发板预测。
使用unity实现AI聊天相关功能。目前这个库包含了对chatgpt、chatglm等大语言模型的api调用的代码实现以及实现了微软Azure以及百度AI的语音服务功能,语音服务均采用web api实现,支持Windows/WebGL/Android等平台
Pytorch实现的流式与非流式的自动语音识别框架,同时兼容在线和离线识别,目前支持Conformer、Squeezeformer、DeepSpeech2模型,支持多种数据增强方法。
使用whisper和LLM(GPT,Claude等)将语音转录并翻译为LRC文件。使用whisper和LLM(GPT,Claude等)来转录、翻译你的音频为字幕文件。
开源 AI 面试助手和会议副驾:在 Zoom、Google Meet 和 Teams 通话中实时提供答案,支持设备端转录,并可隐藏于屏幕共享画面之外。适用于 Windows、macOS 和 Linux,是 Cluely、Interview Coder 和 Final Round AI 的免费替代方案。
Flutter 端侧 AI——Gemma 及其他大型语言模型、多模态、函数调用、嵌入、RAG 和语音,支持 Android、iOS、Web、macOS、Windows 和 Linux。
为 AI 智能体配备眼睛、耳朵和可验证的结果。Watch Skill 将视频、音频和屏幕活动转化为可搜索、带时间戳的证据,并通过确定性契约而非模型观点证明工作成果。DeepWatch 是基于 DeepSeek Harness 构建的智能体工作空间。支持 Python + npm、MCP、CLI、REST 和 Web。
🎭 AI 数字人平台——上传照片、克隆声音,与任意面孔实时对话,并生成口型同步视频。开源,支持自托管。Claude · Whisper · Chatterbox · MuseTalk。
面向 Windows x64 上 AI 智能体的硬件鼠标 MCP 服务器。支持 USB HID 控制和语音听写;需要兼容的 uMouse 硬件与固件。
适用于 macOS 的免费开源、本地优先听写应用。按住快捷键说话,文字就会输入到任何应用中。使用 Whisper、Parakeet 和 Apple 语音技术在设备端将语音转为文本。私密、离线、开源的 Wispr Flow 替代品。
在自己的电脑上构建 AI 电话客服,并通过 AI 呼叫者测试每一项更改。开源,无需 API 密钥即可免费运行;使用自己的密钥,每次通话只需几分钱。支持导入 Dialogflow CX。