speech-to-text 第 4 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 4 / 7 页）
komakoma 是一个可自托管的 AI 视频分析工具，用 TypeScript 编写。它解决的核心问题是：面对长视频或大量视频素材时，人工观看、记录和整理成本极高。k★ 304
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
voicefixer_mainVoiceFixer 是一个通用的语音修复工具，旨在解决语音信号中的各种退化问题，如背景噪声、混响和低质量录音。它基于深度学习模型，能够将受损的语音恢复为清晰、★ 291
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
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
petalPetal 是一款原生 macOS 菜单栏应用，专注本地优先的音频转写。它解决的是用户不想把会议、访谈、语音备忘等敏感音频上传云端，又希望快速得到文字稿的痛点。★ 276
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
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
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
keras-llm-robotkeras-llm-robot 是一个用于学习大语言模型（LLM）的 Web UI 项目，旨在通过可视化的方式帮助用户理解 LLM 的核心概念。它集成了聊天、量★ 251
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
HoldSpeakHoldSpeak 是一款面向 macOS 和 Linux 的本地语音输入与会议转写工具，用 Python 编写。它解决的核心问题是：在不把音频上传云端的前提下★ 249
go-astibobgo-astibob 是一个基于 Go 语言构建的 AI 框架，旨在帮助开发者快速搭建能够理解语音并回应的智能助手。它解决了从零开始集成语音识别（STT）和语音★ 243
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
mod_audio_streammod_audio_stream 是一个 FreeSWITCH 模块，用于把通话中的实时音频通过 WebSocket 双向流式传输出去，并接收远端返回的音频或控★ 240
milaMila 是一款原生 macOS 本地语音转写应用，底层基于 whisper.cpp 实现语音识别，并可选接入说话人分离（diarization）能力。它解决的★ 239
DictionDiction 是一个用 Go 编写的开源自托管语音转文字方案，定位为 WisprFlow 的替代品，主打 iOS 语音输入键盘。它解决的核心问题是：市面上的语★ 239
streamcore-serverstreamcore-server 是一个用 Go 编写的开源实时语音智能体服务器，专注于构建低延迟的语音对话应用。它通过 WebRTC（WHIP）协议提供实时★ 236
AI-InterviewAI-Interview 是一个开源的 AI 模拟面试系统，面向求职者练习面试、教育机构做实训。它用数字人面试官以语音方式提问，并根据你的回答动态追问，模拟真实★ 234
typewhisper-winTypeWhisper for Windows 是一款基于 C# 开发的本地语音转文字工具，专为 Windows 平台设计。它利用 Whisper 模型在设备端★ 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
amanuamanu 是一款面向 macOS 的本地优先会议记录工具，用 Swift 编写。它能自动检测并录制线上会议，随后完成语音转写，把零散的口头讨论沉淀为可检索的文★ 228
blitztext-appblitztext-app 是一个实验性的开源 macOS 菜单栏应用，专注语音转文字工作流。它常驻系统菜单栏，用户按下快捷键即可开始录音，松开后自动把语音转成★ 225
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
qwen-scribeqwen-scribe 是一个面向 Apple Silicon Mac 的本地语音识别工具，基于 MLX 框架运行 Qwen3-ASR 模型，提供私有化、离线的★ 219
terntern 是一款面向 Apple Silicon 的本地 AI 搜索工具，专门用来检索播客和视频档案。它把 Whisper 语音转写、Apple Vision ★ 219
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
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
open-wispropen-wispr 是一款面向 macOS 的本地语音听写工具，基于 Swift 开发，核心目标是把语音转文字完全放在设备上完成，不依赖云端服务，从而保护隐私★ 215
browser-whisperbrowser-whisper 是一个在浏览器内本地运行 Whisper 语音识别模型的开源项目，使用 TypeScript 编写。它把 OpenAI Whis★ 210
meeting-transcribermeeting-transcriber 是一款面向 macOS 的本地会议转录工具，定位为 Otter、Granola、Fireflies 的开源替代品。它常驻★ 209
Local-Multimodal-AI-ChatLocal-Multimodal-AI-Chat 是一个可自托管的本地多模态 AI 聊天应用，旨在解决数据隐私和云端依赖问题。它通过 Streamlit 构建界★ 208
phorminxPhorminx 是一款面向 Windows 的本地优先语音转写桌面应用，用 Rust 编写。它解决的核心问题是：市面上的听写和会议记录工具大多依赖云端，语音数★ 207
awesome-voice-typingawesome-voice-typing 是一个精选开源语音输入与语音转文字工具清单，覆盖 Linux、macOS、Windows、Android 和 iOS ★ 206
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
SoundcoreSoundcore 是一个用 Dart/Flutter 编写的本地管理 App，专门服务于安克（Anker）AI 录音豆 D3200（soundcore Wor★ 199
gdansk-aigdansk-ai 是一个全栈语音聊天机器人项目，旨在帮助开发者快速构建具备语音交互能力的 AI 应用。它解决了从语音输入到智能回复再到语音输出的完整链路问题，★ 198
diktedikte 是一个开源的语音转文字听写应用，使用 Python 编写，主要面向 Linux 桌面环境。它解决的核心问题是让用户无需手动打字，通过说话即可将语音实★ 196
SapphireSapphire 是一个安卓平台上的免费开源语音助手，旨在替代 Google Assistant，并与 Sapphire Framework 集成。它内置语音识★ 195
companioncompanion 是一个基于生成式 AI 的外语私教工具，利用大语言模型和语音技术，帮助用户通过对话练习外语。它解决传统语言学习缺乏真实对话场景和个性化反馈的★ 195
BentoChainBentoChain 是一个基于 LangChain、Hugging Face 语音模型和 BentoML 构建的语音对话助手应用。它解决的是传统文本聊天机器人★ 194
SuperDictateSuperDictate 是一款专为 Apple Silicon Mac 打造的本地语音听写工具，基于 Swift 开发并利用 Core ML 与 Parake★ 192
EnviousWisprEnviousWispr 是一款面向 macOS 的免费本地语音听写工具，专为 Apple Silicon 优化。它同时集成 Whisper 与 Parakee★ 191
freelingoFreeLingo 是一个开源、可自托管的 AI 语言学习平台，目标是让用户完全掌控自己的学习数据与模型选择。它把大语言模型（本地 Ollama 或云端 API★ 191
react-speech-highlight-demo这是一个演示如何在 React 和原生 JavaScript 中实现文本转语音（TTS）并高亮当前朗读单词和句子的开源项目。它解决了有声内容制作中“听到的与看到★ 189
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
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
speaker_adapted_tts这是一个针对特定说话人进行语音合成（TTS）适配的开源项目，核心目标是让用户仅需提供1分钟的语音样本，就能在10分钟内训练出一个模仿该说话人音色的TTS模型。项★ 184
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