speech-to-text 第 3 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 3 / 7 页）
flutter_edge_aiflutter_edge_ai 是一个面向 Flutter 的端侧 AI 开发框架，目标是把大语言模型和多模态能力直接跑在用户设备上，而不是依赖云端 API。它★ 641
sonussonus 是一个面向 Node.js 的离线语音转文字与热词唤醒库。它解决的核心问题是：在 Node 服务或桌面端做语音交互时，不想依赖云端 STT 服务，也★ 639
opentypelessOpenTypeless 是一款用 Rust 编写的开源 AI 语音输入工具，支持 macOS、Windows 和 Linux。它解决的是系统自带听写功能不准确★ 627
pindroppindrop 是一款原生 macOS 菜单栏听写工具，基于 WhisperKit 在本地完成语音转文字，不需要联网或上传音频。它的核心目标是解决系统自带听写不★ 624
TalkifyTalkify 是一款面向 macOS 的本地优先语音听写工具，使用 Swift 与 SwiftUI/AppKit 开发，核心目标是把语音转文字彻底留在设备上完★ 580
no-tipe-releasesno-tipe-releases 是一款面向 macOS 和 Windows 的免费桌面听写工具，目标是让用户不再手动打字，而是直接说话把内容输入到任意应用中，★ 563
ai-avatar-system开箱即用的 AI 数字人平台，上传一张照片、克隆一段声音，即可通过唇形同步视频与任意面孔实时对话。完全开源、支持自托管，基于 Claude、Whisper、Ch★ 542
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
watch-skillwatch-skill 是一个面向 AI 智能体的视频理解与自我验证工具，旨在将视频、直播流和智能体屏幕录制转化为可搜索、带时间戳的证据，并借助内置的 THE ★ 508
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
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
FunCodecFunCodec 是一个面向研究的音频量化工具包，旨在为音频生成任务提供高效、灵活的神经编解码方案。它解决了音频信号在离散表示上的压缩与重建问题，使得文本到语音★ 449
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
real-time-voice-translator这是一个桌面应用，利用AI实现跨语言的实时语音翻译，同时保留说话者的音色和情感。它解决的是传统翻译工具无法保留语气和情绪的问题，核心能力包括语音识别、机器翻译和★ 440
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
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
AudioToTextAudioToText 是一个基于 Jupyter Notebook 的开源工具，核心思路是把 OpenAI 的 Whisper 语音识别模型和 DeepL 翻★ 396
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
izwiizwi 是一个本地优先的语音 AI 运行时，用 Rust 编写，提供语音转文字、说话人分离、文字转语音和声音克隆能力，并兼容 OpenAI API 格式。它解★ 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
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
orbitorbit 是一个自托管的 AI 网关，兼容 OpenAI API，专注于私有 RAG、自然语言数据访问和工具调用代理。它解决了企业在使用大模型时面临的数据隐私★ 355
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
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
MsEdgeTTSMsEdgeTTS 是一个基于 TypeScript 的轻量级文本转语音（TTS）模块，它巧妙地复用了 Microsoft Edge 浏览器内置的“大声朗读”功★ 345
SpeakoFlowSpeakoFlow 是一款免费开源的跨平台语音听写与 AI 助手，支持 Windows、macOS 和 Linux。它利用本地 Whisper 模型实现离线语★ 344
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
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
whisper-websitewhisper-website 是一个可自托管的轻量 Web 应用，把 OpenAI 的 Whisper 语音识别模型封装成浏览器可用的界面，用户上传音频后即可★ 325
openai-chat-api-workflow这是一个基于 Alfred 5 的工作流，让你无需离开键盘就能调用 OpenAI 的 Chat API 与 GPT 模型对话。它不止于聊天，还集成了图像生成（D★ 318
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
saynaSayna 是一个面向 AI Agent 的统一语音层，旨在为现有智能体框架提供无缝的语音交互能力。它解决了 AI Agent 缺乏原生语音输入输出支持的问题，★ 314
meetingly-aimeetingly-ai 是一款开源的会议与面试 AI 助手，定位为 Cluely 的替代方案。它运行在 Windows、macOS 和 Linux 桌面端，核★ 310
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
osttostt 是一款面向终端用户的语音转文字工具，用 Rust 编写，主打在命令行环境中完成录音、转写与后续处理。它解决的是开发者不想离开终端、又需要快速把语音变成★ 305
komakoma 是一个可自托管的 AI 视频分析工具，面向需要批量处理长视频的团队或个人。它把视频拆解为可检索的结构化信息：自动生成内容摘要、按语义切分章节、抽取关键★ 304