speech-to-text 第 2 页
本站收录 301 个带「speech-to-text」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 7 页）
typewhisper-mactypewhisper-mac 是一款专为 macOS 设计的本地语音转文字工具，基于 Apple Silicon 芯片和 WhisperKit 框架，实现完全★ 1,865
NLP-Models-TensorflowNLP-Models-Tensorflow 是一个汇集多种自然语言处理（NLP）模型实现的 TensorFlow 项目，主要面向 TensorFlow 1.13★ 1,780
react-native-executorchreact-native-executorch 是一个将 Meta 的 ExecuTorch 推理引擎封装为 React Native 原生模块的开源库，让开发★ 1,768
dsnotedsnote 是一款面向 Linux 桌面（也支持 Sailfish OS）的离线语音笔记应用，主打在无网络环境下完成语音转文字、文字转语音和机器翻译。它解决的★ 1,695
voxtypevoxtype 是一款面向 Linux Wayland 桌面的离线语音转文字工具，用 Rust 编写。它解决的核心问题是：在 Wayland 合成器（如 Hyp★ 1,671
obs-localvocalobs-localvocal 是一个专为 OBS Studio 设计的本地语音识别与字幕插件，利用 OpenAI Whisper 等 AI 模型在本地实时将音频★ 1,642
vllm-mlxvllm-mlx 是一个专为 Apple Silicon 芯片设计的开源推理服务器，兼容 OpenAI 和 Anthropic API 协议。它解决了在 Mac★ 1,628
Fun-ASRFun-ASR 是一个基于大语言模型的开源语音识别（ASR）模型家族，专注于中文、方言、口音及多语言场景。它提供多种运行时支持，包括 FunASR、vLLM、流★ 1,580
amicalamical 是一款本地优先的开源 AI 听写应用，旨在让用户摆脱键盘，通过语音实现 3 倍速的文字输入。它基于 Electron 和 Next.js 构建，支★ 1,562
OpenSeq2SeqOpenSeq2Seq 是 NVIDIA 开源的序列到序列学习工具包，专注于语音识别、文本转语音和自然语言处理任务。它解决了研究人员在搭建和实验 seq2seq★ 1,560
minutesminutes 是一个开源的、注重隐私的对话记忆层，使用 Rust 编写。它旨在解决会议、想法和语音备忘录等信息碎片化、难以检索的问题。其核心能力是自动将音频（★ 1,560
Uncensored-Local-StudioUncensored-Local-Studio 是一个面向 Windows、Linux 和 macOS 的本地 AI 工作室，提供零配置的图形界面，集成了图像生★ 1,546
Portable-Local-StudioPortable-Local-Studio 是一个面向 Windows、Linux 和 macOS 的便携式本地 AI 工作台，目标是把图像生成、GGUF 格式★ 1,545
ComfyUI_Custom_Nodes_AlekPetComfyUI_Custom_Nodes_AlekPet 是一套为 ComfyUI 设计的自定义节点扩展包，旨在丰富 ComfyUI 的功能边界。它主要解决 C★ 1,531
mlx-tunemlx-tune 是一个专为 Apple Silicon Mac 设计的 LLM 微调工具，基于 MLX 框架原生运行，让开发者无需云端 GPU 即可在本地完成★ 1,444
SoniTranslateSoniTranslate 是一个开源的视频同步翻译与配音工具，专注于将视频中的语音自动翻译成其他语言，并生成与画面同步的配音。它解决了视频内容跨语言传播时人工★ 1,420
transcribe-anythingtranscribe-anything 是一个基于 Whisper 的多后端语音转文字工具，目标是让本地音视频转写变得又快又简单。它支持输入本地文件或在线 UR★ 1,415
DragonfireDragonfire 是一款面向 Ubuntu 等 Linux 发行版的开源虚拟助手，基于 Python 构建，旨在提供本地化的语音交互和智能应答能力。它解决了★ 1,410
open-speech-corpora这是一个收录可公开获取的语音语料库的清单项目，旨在为语音技术研究与开发提供资源导航。它系统整理了用于自动语音识别（ASR）、语音合成（TTS）、语音情感识别、语★ 1,409
whisper-ctranslate2whisper-ctranslate2 是一个基于 CTranslate2 推理引擎的 Whisper 命令行客户端，接口与 OpenAI 官方 whisper★ 1,365
airunnerAirunner 是一个面向桌面端的离线 AI 推理引擎，集成了图像生成、实时语音对话、LLM 聊天机器人和自动化工作流。它解决的是用户对 AI 工具隐私和本地★ 1,318
StreamSpeechStreamSpeech 是一个“一体化”的无缝语音模型，同时支持离线与同声传译场景下的语音识别（ASR）、语音翻译和语音合成。它解决了传统级联系统延迟高、错误★ 1,294
hyprwhsprhyprwhspr 是一款面向 Linux 的原生语音转文字工具，目标是提供系统级、快速、准确且注重隐私的听写体验。它解决 Linux 桌面长期缺乏好用全局听写★ 1,255
dc_ttsdc_tts 是一个基于 TensorFlow 实现的端到端文本转语音（TTS）模型，源自论文“Efficiently Trainable Text-to-Sp★ 1,160
murmuremurmure 是一个完全本地化、注重隐私的跨平台语音转文字工具，并集成 LLM 后处理能力。它解决的是语音数据上传云端带来的隐私泄露风险，以及通用语音识别结果★ 1,123
AI-Waifu-VtuberAI-Waifu-Vtuber 是一个面向直播场景的开源虚拟主播解决方案，旨在让创作者通过 AI 驱动的二次元角色在 YouTube 或 Twitch 上实时互★ 1,119
PatterPatter 是一个开源的语音 AI SDK，旨在成为 Vapi 和 Retell 的替代方案，让开发者能够完全掌控自己的语音代理技术栈。它解决了构建电话语音代★ 1,076
TensorFlowASRTensorFlowASR 是一个基于 TensorFlow 2 的开源端到端语音识别工具箱，目标是在 TensorFlow 生态中提供接近当前最优（Almos★ 1,015
whisper-flowWhisper-Flow 是一个基于 OpenAI Whisper 模型的实时语音转写框架，专门解决传统 Whisper 只能整文件批量转写、无法边说话边出文字★ 997
vocalinuxVocalinux 是一款面向 Linux 桌面的免费开源离线语音听写工具，目标是在任何输入框中通过说话完成打字。它基于 whisper.cpp、OpenAI ★ 952
whisper.netWhisper.net 是 OpenAI Whisper 语音识别模型的 .NET 封装库，让 C# 开发者无需直接处理底层推理代码，就能在应用中集成语音转文字★ 950
botium-speech-processingBotium Speech Processing 是一个用于语音处理测试的开源工具集，隶属于 Botium 测试框架生态。它主要解决在自动化测试中如何对语音交互★ 943
nomily-appnomily-app 是一款开源的语音记录伴侣应用，主打 BYOK（自带密钥）模式，支持 iOS、Android 和 Apple Watch。它解决的是日常录音★ 934
TheWhisperTheWhisper 是对 OpenAI Whisper 语音识别模型的工程化优化版本，专注于流式识别和端侧部署两大场景。原版 Whisper 虽然识别准确率高★ 903
BiBi-KeyboardBiBi Keyboard（说点啥）是一款基于 Kotlin 开发的 Android 语音输入法键盘应用，将 LLM 与 ASR 技术深度集成到输入场景中。它解★ 848
TTS-Voice-WizardTTS-Voice-Wizard 是一个面向 VRChat 和 VTuber 的语音转文字再转语音（STTTS）工具。它解决的是虚拟形象无法实时显示说话内容、无★ 812
WhisperSubTranslateWhisperSubTranslate 是一款免费、本地优先的桌面应用，基于 Electron 构建，利用 OpenAI Whisper 模型从视频中提取字幕（★ 812
lobe-ttsLobe TTS 是一个基于 TypeScript 的高质量、可靠的语音合成（TTS）与语音识别（STT）库，专为服务端和浏览器环境设计。它解决了开发者在集成语★ 807
mlx-audio-swiftmlx-audio-swift 是一个专为 Apple Silicon 设计的模块化 Swift 音频处理 SDK，基于 MLX 框架构建。它解决了在苹果生态中★ 802
junejune 是一个本地运行的语音聊天机器人，旨在提供自然流畅的语音对话体验。它整合了 Ollama 作为本地大语言模型推理引擎，Hugging Face Tran★ 788
CrispASRCrispASR 是一个基于 C++ 和 ggml 推理框架的语音识别与合成运行时中心，目标是把多种主流开源 ASR/TTS 模型统一到一个轻量、跨平台、无需 ★ 763
TranscribroTranscribro 是一款面向 Android 的本地语音识别键盘与服务，用 Kotlin 与 Jetpack Compose 构建。它把语音转文字能力直接★ 761
voice-aiRapida 是一个开源的端到端语音 AI 编排平台，旨在帮助开发者快速构建实时对话式语音代理。它解决了语音代理开发中音频流处理、语音识别（STT）、语音合成（★ 748
awesome-large-audio-models这是一个收录大型语言模型（LLM）在音频AI领域应用资源的精选列表，旨在为研究人员和开发者提供一站式导航。项目系统梳理了音频理解、生成、多模态交互等方向的前沿模★ 744
MASRMASR是一个基于Pytorch的自动语音识别（ASR）框架，专注于流式与非流式识别，兼顾在线和离线场景。它解决了开发者需要同时支持实时语音交互和离线批量转写的★ 728
cursescurses 是一个基于 Tauri 和 TypeScript 构建的桌面应用，专注于为 OBS、VRChat、Twitch 聊天和 Discord 提供语音转★ 727
mimimimi 是一款用 Rust 编写的桌面端实时字幕与翻译工具，解决跨语言观看视频、会议、直播时听不懂的问题。它通过捕获系统音频（Mac 或 PC 上正在播放的任★ 721
speech-to-text-benchmarkspeech-to-text-benchmark 是一个开源的语音转文字（STT）评测框架，用统一的测试流程对比不同语音识别引擎的准确率与速度。它解决的核心问题★ 699
expo-speech-recognitionexpo-speech-recognition 是一个面向 React Native Expo 项目的语音识别库，用 TypeScript 编写，填补了 Exp★ 696
cheetahCheetah是一个基于深度学习的端侧流式语音转文本引擎，专注于在设备本地实时处理语音识别任务。它解决的是传统云端语音识别依赖网络、延迟高、隐私风险大的问题，通★ 671