speech-recognition 第 3 页
本站收录 251 个带「speech-recognition」标签的 AI 开源项目（按 GitHub 星标从高到低，第 3 / 6 页）
willow-inference-serverWillow 是一个开源的、本地自托管的语言推理服务器，专注于音频和语音场景，同时支持 ASR/STT、TTS 和 LLM 推理。它解决了在本地环境中高效部署多★ 511
Audar-ASR-V1Audar-ASR-V1 是一个以阿拉伯语优先的生成式语音识别（ASR）开源项目，旨在解决阿拉伯语及其方言的语音转文本难题。它提供 Flash 和 Turbo ★ 506
leopardLeopard 是 Picovoice 推出的端侧语音转文字引擎，基于深度学习实现完全离线的自动语音识别。它解决的是云端 ASR 常见的隐私泄露、网络延迟和按量★ 485
speech_datasetspeech_dataset 是一个面向语音识别（ASR）研究的中文语音数据集仓库，旨在为深度学习语音模型提供训练与评估所需的音频资源。项目整理了多种来源的语音★ 470
deepgram-python-sdkDeepgram 的官方 Python SDK，用于快速集成 Deepgram 的语音 AI 服务。它解决了开发者在 Python 应用中接入语音识别（ASR）★ 469
JARVIS-ChatGPTJARVIS-ChatGPT 是一个基于 Python 的对话助手项目，旨在将《钢铁侠》中 J.A.R.V.I.S. 的合成语音体验带入现实。它主要解决如何让 ★ 463
yapyap 是一款面向 macOS 的免费开源语音听写工具，目标是让用户在任意输入框中用说话代替打字。它常驻菜单栏，通过全局快捷键唤起，调用苹果系统自带的 Spee★ 458
docker-whisperXdocker-whisperX 是 WhisperX 语音识别工具的官方 Docker 镜像构建项目，通过 Dockerfile 与 CI 流程把 Whispe★ 458
echogardenEchogarden 是一个跨平台的语音工具集，既可作为命令行工具使用，也可作为 Node.js 库集成。它整合了多种语音引擎，提供语音合成（TTS）、语音识别★ 453
hayamimihayamimi（早耳）是一个纯 CPU 运行的实时多语言语音转文字工具，基于 sherpa-onnx 实现，无需 GPU 和云服务即可在本地完成识别。它解决的★ 447
SayItSayIt 是一款面向 Windows 的开源语音输入工具，定位为 Wispr Flow / Superwhisper 的替代品。按下快捷键说话，AI 润色后的★ 444
speech-recognition-uk这是一个面向乌克兰语的开源语音识别与合成工具包，旨在解决乌克兰语在主流语音技术中支持不足的问题。项目基于Python构建，提供从语音到文本（STT）和文本到语音★ 441
alan-sdk-pcfAlan AI SDK for Power Apps 是一个将对话式AI能力嵌入微软Power Apps的低代码开发工具包。它通过Power Apps Comp★ 424
parakeet-rsparakeet-rs 是一个用 Rust 编写的语音识别工具库，基于 NVIDIA Parakeet 系列模型（通过 ONNX 运行），提供极快的语音转文字能★ 415
xiaoniu小牛视频翻译是一款面向视频本地化场景的AI工具，主要解决视频翻译效率低、流程繁琐的问题。它支持本地视频文件翻译、字幕文件独立翻译，以及直接下载并翻译YouTub★ 413
hexhex 是一款面向 macOS 的本地优先语音听写工具，用 Rust 编写，目标是把「按住快捷键说话、松开即粘贴」的听写体验做成系统级能力。它解决的是云端语音输★ 412
awesome-russian-speech这是一个精选俄罗斯语音技术资源的开源列表，汇集了语音识别（ASR）、语音合成（TTS）、文本转语音、字素到音素（G2P）转换等领域的工具、库、模型和论文链接。项★ 409
betterwisprbetterwispr 是一款面向 macOS 的免费开源本地听写工具，定位为 Wispr Flow 的开源替代品。它解决的核心问题是：在任意应用中快速把语音转★ 404
Freeze-OmniFreeze-Omni 是一个智能且低延迟的语音到语音对话模型，其核心创新在于冻结大语言模型（LLM）参数，仅训练语音编码器和解码器，从而大幅降低训练成本并保持★ 402
audio.cpp-webuiaudio.cpp-webui 是一个基于 ggml 的纯 C++ 音频模型推理引擎，为 audio.cpp 提供全任务 WebUI。它支持语音合成（TTS）、★ 401
Stream-OmniStream-Omni 是一个类似 GPT-4o 的多模态对话助手，能够同时处理文本、语音和视觉输入，并支持多种模态组合的交互。它解决了传统对话系统只能处理单一★ 393
onnx-asronnx-asr 是一个轻量级 Python 语音识别包，核心思路是让开发者直接加载 ONNX 格式的 ASR 模型完成语音转文字，而不必依赖 PyTorch、★ 385
yapsnapyapsnap 是一个纯 CPU 运行的语音转文字命令行工具，能把任意视频链接或本地音视频文件转成纯文本，无需 GPU、无需调用云端 API，一条命令即可完成。★ 380
jarvis-ai-assistant这是一个用Python构建的语音激活AI助手，灵感来自钢铁侠的Jarvis。它通过语音识别和自然语言处理，让用户用说话的方式完成日常任务，比如查询天气、播放音乐★ 365
mlx-openai-servermlx-openai-server 是一个面向 Apple Silicon 芯片的高性能 API 服务器，为 MLX 系列模型提供 OpenAI 兼容的接口。它★ 362
LiveWhisperLiveWhisper 是一个基于 OpenAI Whisper 的近乎实时语音转文字工具，通过 sounddevice 捕获麦克风音频并流式处理，无需修改 W★ 361
audiotextaudiotext 是一款基于 Python 的桌面语音转文字工具，面向需要处理音视频字幕与摘要的用户。它支持导入本地音频、视频文件，也能直接处理 URL 链接★ 353
hotcliphotclip 是一款免费开源的 AI 剪辑与直播切片工具，定位是 Opus Clip 的本地化替代方案。它面向长视频、直播回放和播客内容创作者，解决从海量素材★ 352
LangHelperLangHelper 是一个基于 Rust 开发的语言学习应用，旨在通过整合 ChatGPT、TTS（文本转语音）和 STT（语音转文本）等 AI 模型，提供全★ 350
kaldi-active-grammarkaldi-active-grammar 是一个基于 Kaldi 的 Python 语音识别封装，核心创新在于支持在解码过程中动态激活或停用语法规则。传统语音识★ 349
Speech-to-Text-RussianSpeech-to-Text-Russian 是一个基于 pykaldi 的俄语语音识别开源项目，目标是为俄语场景提供可用的自动语音转文字能力。俄语在开源 AS★ 348
Speech-and-Text这是一个用Python实现的语音与文本双向转换工具集，集成了多种主流语音识别引擎（PocketSphinx离线识别、百度API、科大讯飞API）和文字转语音引擎★ 340
voiceaivoiceai 是一个面向语音 AI 智能体开发者的精选资源集合，旨在帮助初学者和进阶者快速上手构建实时语音对话系统。它解决了语音 AI 领域资料分散、入门门槛★ 336
whispering-uiwhispering-ui 是 Whispering Tiger 项目的原生桌面界面，旨在为实时语音转录与翻译提供一个易用的图形化操作入口。它解决了 Whisp★ 331
UltraEval-AudioUltraEval-Audio 是一个面向音频领域的统一评测基准框架，旨在为 ASR（语音识别）、TTS（语音合成）、音频编解码器以及音频大语言模型提供标准化、★ 327
openclaw-assistantOpenClaw 是一款面向 Android 的离线语音助手应用，基于 Kotlin 和 Jetpack Compose 构建。它主要解决用户在无网络或注重隐私★ 324
ChatGPT-OpenAI-Smart-Speaker这是一个基于Python的开源AI智能音箱项目，旨在将普通音箱升级为支持语音和视觉交互的智能助手。它利用OpenAI的GPT-4模型，结合语音识别（STT）、文★ 318
SmartSpeakerSmartSpeaker 是一个用 C 语言编写的开源智能音箱项目，硬件基于 STM32F407 主控、WM8978 音频编解码芯片和 ESP8266 WiFi★ 313
NaomiNaomi 是一个开源、技术中立的平台，用于开发常驻后台、支持语音控制的应用程序。它主要面向个人助理和物联网场景，解决了从语音识别到意图处理再到动作执行的完整链★ 305
gpt-voice-conversation-chatbot这是一个基于Python构建的语音对话聊天机器人，让你能与ChatGPT/GPT-4进行自然、富有情感的口语或命令行交互。它解决了传统文本聊天缺乏情感表达和记忆★ 301
whisper_dictationwhisper_dictation 是一个开源的私人语音键盘和 AI 助手，旨在通过语音控制实现免提操作。它利用 Whisper 模型进行本地语音识别，支持语音★ 294
K6neleK6nele 是一个开源的 Android 语音转文字应用，它本身不提供识别引擎，而是作为系统级输入法或语音识别服务，把语音转文字能力开放给其他 App 调用。★ 290
openasropenasr 是一个用 Rust 编写的本地优先语音转文字工具，核心目标是让转录过程完全在用户自己的机器上完成，不依赖云端服务、不上报任何遥测数据，并且采用 ★ 286
MITSUHAMITSUHA 是一个开源的 AI 对话助手项目，主打多语言、低成本、高响应速度的虚拟形象交互。它通过 VTube Studio 为 AI 赋予虚拟身体，让用户★ 283
deepgram-js-sdkDeepgram 官方 JavaScript SDK，用于在浏览器和 Node.js 环境中集成 Deepgram 的语音 AI 服务。它解决开发者快速接入语音★ 277
DeLiveDeLive 是一款本地优先的桌面端实时字幕与语音识别工作台，用 Electron + TypeScript 构建，核心解决会议、直播、听课等场景下系统音频难以★ 274
cobraCobra 是一个基于深度学习的设备端语音活动检测（VAD）工具，由 Picovoice 开源。它解决的核心问题是：在语音识别、语音唤醒或录音系统中，如何准确判★ 272
ai_webuiai_webui 是一个面向 AI 创作场景的通用 Web 界面，旨在将图像、音频、视频等 AI 处理能力整合到统一的交互入口中。它解决了多模态 AI 工具分散★ 271
JarvisJarvis 是一个基于语音的自然语言用户界面，旨在通过语音交互控制智能家居、车辆和日程管理。它解决了传统图形界面操作繁琐的问题，让用户可以用自然语言指令完成各★ 270
speech-dataset-generatorspeech-dataset-generator 是一个用于创建带标签语音数据集的 Python 工具，主要解决语音识别、说话人识别等任务中训练数据难以获取和标★ 263