asr 第 3 页
本站收录 157 个带「asr」标签的 AI 开源项目（按 GitHub 星标从高到低，第 3 / 4 页）
gpt_servergpt_server 是一个面向生产环境的 AI 服务部署框架，旨在统一集成多种主流模型能力，包括大语言模型（LLM）、Embedding、Reranker、A★ 253
asmr-dubberasmr-dubber 是一个用 Python 编写的音视频字幕与配音工具，主要面向 ASMR、音声作品等需要跨语言处理的场景。它把语音识别（ASR）、台本导入★ 244
BreezeAppBreezeApp 是联发创新基地开源的纯手机端 AI 应用，支持 Android 和 iOS，用户从应用商店下载后即可离线使用多种 AI 功能。项目核心是让普★ 243
evaeva 是一个用于评估语音代理（Voice Agents）的全新端到端框架。它解决的核心问题是：语音代理系统（如语音助手、对话机器人）在真实场景中的表现难以全面★ 231
whisper-auto-transcribe这是一个基于 OpenAI Whisper 的自动音频转写工具，旨在提供简单易用的语音转文本解决方案。它解决了普通用户在使用 Whisper 时面临的命令行操作★ 229
wyoming_openaiwyoming_openai 是一个将 Wyoming 协议转换为 OpenAI 兼容接口的中间代理服务。它主要解决 Home Assistant 生态中的语音★ 223
vox-boxvox-box 是一个兼容 OpenAI API 的语音服务端，提供文本转语音（TTS）和语音转文本（STT）能力。它解决了语音应用开发中多模型集成和 API ★ 216
dub-studiodub-studio 是一款面向 Windows 的免费离线 AI 视频配音工具，以单个原生 .exe 形式分发，无需安装 Python 环境。它解决视频本地化★ 204
speech.cppspeech.cpp 是一个基于 ggml 的 C++ 语音全栈工具库，把语音合成、语音识别和语音活动检测（VAD）整合到同一套推理框架中。它支持 Qwen3-★ 195
whisperX-FastAPIwhisperX-FastAPI 是把 WhisperX 语音识别流水线封装成 REST API 的服务端项目。WhisperX 本身在 OpenAI Whis★ 188
BlahSTBlahST 是一个面向 Linux 桌面的语音输入与对话工具，基于 whisper.cpp 实现完全离线的语音转文字，可在任意窗口中快速输入文本，同时通过 l★ 179
cv-datasetcv-dataset 是 Mozilla Common Voice 语音数据集的元数据与版本管理仓库，用 JavaScript 维护每轮发布的数据清单、校验信息★ 177
tiny-audiotiny-audio 是一个低成本语音转文字（ASR）系统，核心思路是把冻结的语音编码器与 Qwen 大语言模型通过一个小型可训练投影层连接起来，训练成本约 2★ 173
speech-androidspeech-android 是一个面向 Android 平台的端侧语音 SDK，基于 ONNX Runtime 并利用高通 NNAPI 加速，提供语音识别（A★ 170
WhisperTimeSyncWhisperTimeSync 是一个用 Java 编写的开源工具，旨在解决 Whisper 语音识别结果中时间戳不准确的问题。它允许用户基于已有的、准确的转录★ 168
FunSpeechFunSpeech 是一个面向本地私有化部署的语音服务工具，旨在简化语音识别（ASR）和语音合成（TTS）后端的搭建流程。它解决了开发者在使用 Qwen3ASR★ 166
whisplywhisply 是一个基于 OpenAI Whisper 的跨平台语音转写工具，同时提供命令行和图形界面。它解决的核心问题是：用户手头有大量音视频文件需要转成文★ 165
MNNServerMNNServer 是一个基于阿里 MNN 推理引擎的第三方服务器，旨在为移动端和边缘设备提供本地化的 AI 模型服务。它解决了在资源受限环境下高效运行深度学习★ 163
euankaeuanka 是一个本地化部署的语音助手项目，旨在将完整的语音交互链路（ASR-NLP-LLM-TTS）全部运行在本地设备上，解决云端依赖带来的隐私和延迟问题。★ 152
VoconlyVoconly 是一款本地优先的 AI 语音输入工具，目标是把「说话」直接变成干净、可用的文字，替代传统键盘输入。它内置 Whisper、SenseVoice、★ 145
VivaDictaVivaDicta 是一款面向 iOS 和 watchOS 的语音转文字应用，集成了 AI 语音键盘、设备端 RAG 和笔记对话功能。它利用 Apple 基础模★ 134
voiceblendervoiceblender 是一个可编程的语音 AI 平台，基于 Go 语言构建，专注于解决语音通话场景中 AI 能力的集成与编排问题。它通过 REST API、★ 132
AuxiliaryASRAuxiliaryASR 是一个面向语音转换和语音合成场景的辅助语音识别工具，核心解决文本与语音帧的自动对齐问题。它采用联合 CTC 和基于序列到序列（S2S）★ 130
freeipccfreeipcc 是一个基于 TypeScript 构建的开源智能呼叫中心平台，专注于将传统呼叫中心与 AI 大模型能力深度融合。它解决的是企业客服和电销场景中★ 128
doubao-murmurdoubao-murmur 是一个极简的全局语音输入工具，调用豆包 Web 端语音识别能力，把说话内容实时转成文字并直接输入到当前光标位置。它解决的是系统自带听★ 128
chatgpt-webchatgpt-web 是一个基于 TypeScript 构建的 ChatGPT 网页应用，旨在为用户提供一个功能丰富、开箱即用的对话界面。它解决了直接使用官方★ 126
MilkyAi-bilibiliMilkyAi-bilibili 是一个将 AI 对话助手接入 B 站（bilibili）的开源项目，旨在让 UP 主或观众通过 AI 自动回复评论、私信等互动★ 121
zerolan-coreZerolanCore 是一个本地部署的 AI 模型集成框架，旨在将多种开源 AI 模型统一整合到一个可扩展的架构中。它解决的是 AI 模型碎片化、接口不统一、★ 120
oidoOído 是一个面向极低资源硬件的开源语音识别引擎，目标是在售价约 5 美元的 ESP32-S3 单片机上实现开放词表语音转文字，完全离线运行，不依赖云端也不依★ 117
speech_course这是一个面向语音技术学习者的深度学习课程项目，以 Jupyter Notebook 形式呈现，覆盖自动语音识别（ASR）、说话人识别、关键词唤醒、文本转语音（T★ 116
speakmoreSpeakMore 是一款免费开源的跨平台语音输入工具，支持 Mac 和 Windows，用说话代替打字。它解决的核心问题是商业语音输入软件价格高、隐私不透明、★ 116
Speech-Corpus-CollectionSpeech-Corpus-Collection 是一个收集语音语料库的仓库，旨在为语音识别（ASR）和语音合成（TTS）研究提供一站式资源索引。它整理了多种公★ 114
ZeroSpeech-TTS-without-T这是一个基于PyTorch的ZeroSpeech 2019挑战赛实现，旨在解决无文本标注的语音合成（TTS-without-T）问题。传统TTS需要文本转录作为★ 112
stt-serverstt-server 是一个用 Python 编写的实时语音转文字 WebSocket 服务，目标是把 ASR 能力以流式接口暴露给前端或后端应用。它通过可插拔★ 107
jkinco-listen-openjkinco-listen-open 是一个本地优先的智能会议纪要工作台，专为需要数据隐私和离线可用的团队设计。它把会议录音转写、场景识别、纪要生成和文档导出整★ 105
smart-customer-service-system这是一个基于大模型构建的智能客服系统，旨在解决传统客服响应慢、知识更新难、无法处理动态业务等问题。系统支持静态知识问答（基于预设文档）、动态知识问答（通过数据库★ 102
XnneHangLabXnneHangLab 是一个用 Python 构建的、面向二次元虚拟角色（waifus）的 AI 交互框架，旨在通过代码为虚拟角色“绘心”，即赋予其听觉、语音★ 101
avr-infraavr-infra 是一个面向语音代理场景的基础设施项目，旨在启动 Agent Voice Response 应用，集成 Core、ASR（语音识别）、LLM（★ 101
deepgram-go-sdkdeepgram-go-sdk 是 Deepgram 语音 AI 平台的官方 Go 语言开发工具包，用于将语音识别（ASR）、语音合成（TTS）和语音代理（Vo★ 93
achatbotachatbot 是一个开源的聊天机器人架构，专为语音、视觉及多模态助手设计，支持本地（CPU/GPU 受限）和远程（I/O 受限）运行。它整合了 ASR（语音★ 90
sherpa-onnx-unitysherpa-onnx-unity 是 sherpa-onnx 的 Unity 集成项目，旨在将离线语音识别（ASR）和语音合成（TTS）能力带入 Unity ★ 87
yoruba-textyoruba-text 是一个专注于约鲁巴语（Yorùbá）自然语言处理的开源数据集与工具项目，旨在为 NLP、语音识别（ASR）和语音合成（TTS）任务提供高★ 84
maiseMaise 是一个开源的 Android 语音引擎，专注于在设备端（边缘）提供强大且灵活的语音合成（TTS）能力。它基于 Kotlin 开发，利用 ONNX R★ 80
AwesomeMultiModel这是一个AIGC实战入门笔记项目，旨在帮助开发者系统学习和上手各类AIGC技术。项目内容覆盖大语言模型（LLMs）、高效微调（SFT）、检索增强生成（RAG）、★ 79
kesha-voice-kitkesha-voice-kit 是一个本地优先的语音工具包，为开发者的工具链赋予语音能力。它支持语音转文字和文字转语音，覆盖 25 种语言，在 Apple Si★ 78
spokestack-androidSpokestack Android 是一个面向 Android 平台的可扩展移动语音框架，旨在帮助开发者快速为应用集成完整的语音交互能力。它涵盖唤醒词检测、自★ 74
SynParaSpeechSynParaSpeech 是 ICASSP 2026 论文的官方开源仓库，专注于自动合成副语言（paralinguistic）数据集，用于语音生成和理解任务。★ 72
leopard-chat-ui-teneoLeopard Chat UI 是一个基于 Vue 和 Vuetify 构建的 Teneo 聊天客户端界面，旨在为 Teneo 对话式 AI 平台提供一套可复用★ 72
EasyMrcpEasyMrcp 是一个基于 Java 的语音识别（ASR）与语音合成（TTS）集成工具，旨在简化开发者对接多种语音服务的过程。它最初基于 MRCP 协议，但 ★ 64
Voice-Privacy-Challenge-2020Voice-Privacy-Challenge-2020 是语音隐私挑战赛的官方基线方案，旨在解决语音数据中的说话人身份泄露问题。它通过说话人匿名化技术，在保留★ 63