speech-recognition 第 4 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 4 / 6 页）
phononPhonon 是一个开源语音识别模型项目，提供 Phonon-2 和 Phonon-1 两代模型，主打低比特量化与多硬件适配。它解决的是语音转文本模型部署门槛高★ 262
sepia-docsSEPIA 是一个开源的语音助手框架，旨在为开发者提供构建自定义语音助手和对话式应用的基础能力。它支持语音识别、自然语言理解（NLU）、对话管理和多平台部署，尤★ 254
web-voice-processorweb-voice-processor 是一个面向浏览器端的实时语音处理库，用 TypeScript 编写。它解决的核心问题是：网页应用想接入麦克风做语音识别或★ 249
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
PersonalJarvisPersonalJarvis 是一个面向智能体时代的开源本地 AI 助手，目标是把语音对话、编码代理、浏览器操作和桌面应用控制统一到一个入口。它解决的是当前 A★ 241
jetson-voicejetson-voice 是一个专为 NVIDIA Jetson 平台设计的深度学习推理库，专注于语音相关任务，涵盖自动语音识别（ASR）、自然语言处理（NLP★ 229
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
MooERMooER 是摩尔线程推出的开源全双工语音交互模型，主打端到端的语音到语音（speech-to-speech）对话能力。它解决传统语音助手依赖级联模块（ASR→★ 219
UEAzSpeechUEAzSpeech 是一个将 Azure 语音认知服务集成到虚幻引擎（Unreal Engine）中的插件。它解决了游戏和交互式应用开发中需要高质量语音识别与★ 215
mongolian-nlpmongolian-nlp 是一个面向蒙古语自然语言处理的开源资源集合，旨在解决蒙古语 NLP 资源匮乏的问题。项目收集并整理了蒙古语相关的语料库、预训练模型、★ 209
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
hermes-speechhermes-speech 是一个为 Hermes Agent 设计的语音插件，同时提供 TTS（文本转语音）和 STT（语音转文本）能力。它解决的核心问题是：★ 203
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
interspeech2019-tutorial这是一个INTERSPEECH 2019语音技术教程的配套材料仓库，包含Jupyter Notebook示例和演讲幻灯片，覆盖语音识别与语音合成两大核心方向。项★ 194
NeMo-Speech.cppNeMo-Speech.cpp 是一个基于 ggml 的轻量级 C++ 推理运行时，专门用于运行 NVIDIA NeMo 系列语音模型，覆盖语音识别（ASR）与★ 194
PyAutoSRTPyAutoSRT 是一个基于 PySimpleGUI 的桌面工具，用于为任意视频或音频文件自动生成字幕并翻译。它通过调用免费的 Google 语音识别 API★ 192
OSSSpeechKitOSSSpeechKit 是一个面向 iOS 开发者的原生语音工具包，基于 AVFoundation 和 Apple 的 Speech 框架封装，提供简洁的 S★ 184
voicekeyvoicekey 是一个基于 Electron + React 的桌面语音输入工具，主打“按一个键就能把说的话变成文字”。它解决的是日常打字效率低、切换输入法麻★ 181
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
LLM-Minutes-of-MeetingLLM-Minutes-of-Meeting 是一个基于 Python 的开源工具，旨在把会议录音或视频文件自动转成文字记录，并借助大语言模型生成简洁的会议纪要★ 174
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
LillyLilly 是一个面向波斯尼亚语使用者的离线优先翻译助手，核心解决在无网络或网络不稳定环境下，波斯尼亚语与英语之间的即时互译需求。用户可以通过三种方式输入内容：★ 171
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
bournemouth-forced-aligner这是一个用于语音音频的强制对齐工具，能够自动提取音素级别的时间戳。它解决了语音处理中需要精确对齐音频与文本的问题，尤其适用于语音识别、语音合成和语言学研究。核心★ 169
MonikA.IMonikA.I 是一个针对《心跳文学部》同人模组 Monika After Story（MAS）的扩展子模组，用 Python 和 Ren'Py 编写。它给游★ 168
AuralKitAuralKit 是一个面向 Apple 平台的 Swift Package，封装 iOS 26 与 macOS 26 新引入的 SpeechAnalyzer ★ 167
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
awesome-ai-services这是一个汇总AI即服务（AI-as-a-Service）领域资源与工具的精选列表项目。它系统梳理了当前市场上各类AI服务，覆盖计算机视觉、人脸识别、实体识别、关★ 162
TTSizerTTSizer 是一个自动生成高质量、按说话人区分的文本转语音（TTS）数据集的工具。它解决的是构建 TTS 模型时数据准备繁琐的痛点：以往需要手动转录音频、切★ 147
pyRobBotpyRobBot 是一个基于 OpenAI API 的 Python 对话助手，支持语音、图形界面（UI）和终端三种交互方式，并能联网获取最新信息。它解决了用户★ 145
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
spokestack-pythonSpokestack-python 是一个为 Python 应用提供语音界面能力的开源库，尤其专注于嵌入式系统。它解决了在资源受限的设备上集成语音交互的难题，提★ 142
whisrswhisrs 是一款面向 Linux 桌面的语音工具，用 Rust 编写，主打听写、朗读和语音驱动的 LLM 命令。它解决 Linux 桌面长期缺乏统一语音交互★ 140
whisper-clipWhisperClip 是一个基于 OpenAI Whisper 的轻量级桌面工具，核心目标是让语音转文字变得像按一下按钮一样简单。它解决了日常记录、会议速记或★ 138
vocamacvocamac 是一款面向 macOS 的开源离线语音转文字工具，主打隐私与本地化听写。用户按住一个全局快捷键说话，松开后识别文本自动出现在当前光标位置，无需切★ 136
timethingTimething 是一个用于将文本转录与音频录音进行对齐的开源库。它解决的核心问题是，在语音识别或音频处理场景中，转录文本与音频时间轴不同步，导致难以定位或校★ 133
nanowakewordnanowakeword 是一个轻量级唤醒词检测引擎，用 Python 实现，目标是让开发者用很少的数据和精力训练出高准确率的自定义唤醒词模型。它解决的是传统语★ 133
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
MioVRC_TranslatorMioVRC_Translator 是一个面向 VRChat 的 Python 插件，解决跨语言玩家在虚拟社交中无法实时听懂对方语音的痛点。它通过监听系统或麦克★ 131
crx-live-translatecrx-live-translate 是一款 Chrome/Edge 浏览器扩展，用于给任意网页中的直播音频或视频流实时生成字幕并翻译。它通过浏览器内置的语音识★ 125
anti-vocaleanti-vocale 是一款 Android 本地语音转文字应用，专门用来把聊天里的语音消息转成文字。它解决的核心问题是隐私与离线可用性：很多语音转写工具需要★ 123
OpenGlassesOpenGlasses 是一个旨在让 Meta Ray-ban 和 Oakley 智能眼镜更强大的开源项目，特别支持非 Meta 官方型号。它通过 Swift ★ 119
J.A.R.V.I.SJ.A.R.V.I.S 是一个受钢铁侠启发的个人虚拟助手，用 Python 编写。它集成了自然语言处理、计算机视觉、人脸检测与识别、家庭自动化等技术，旨在通过语★ 117
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
docker-whisperdocker-whisper 是一个把 Whisper 语音识别服务打包成 Docker 镜像的开源项目，目标是让用户在自己的服务器上快速搭建一套兼容 Open★ 116
ferosferos 是一个开源的语音智能体操作系统，采用 Rust 编写运行时，强调亚秒级延迟和完全自托管。它旨在解决语音交互场景中响应速度慢、依赖云服务、难以定制等问★ 112
conversifyconversify 是一个基于 LiveKit 和本地大语言模型（LLM）构建的实时、低延迟 AI 助手，支持语音、视觉和对话记忆功能。它解决了传统语音助手响★ 111
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