speech-to-text 第 5 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 5 / 7 页）
ChordVoxChordVox 是一款跨平台的离线语音转文字工具，定位为“用嘴代替键盘”。它解决的是日常输入效率低、在线语音服务隐私风险高的问题：用户按住快捷键说话，工具在本★ 178
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
chatgpt-voicechatgpt-voice 是一个基于 TypeScript 和 React 构建的轻量级语音对话应用，旨在让你像聊天一样自然地和 ChatGPT 进行语音交互★ 170
Voice-synthesisVoice-synthesis 是一个基于 SV2TTS（说话人验证到多说话人语音合成）框架的实时语音合成实现，包含编码器、合成器和声码器三阶段。它允许用户仅用★ 170
agentcallAgentCall 是一个让 AI 智能体以真实身份加入视频会议的开源项目，支持语音、视频和屏幕共享，使 AI 能像人类协作者一样在 Google Meet、M★ 169
self-hosted-ai-stack这是一个基于 Docker Compose 的一站式自托管 AI 技术栈部署方案，旨在帮助用户快速搭建本地优先、隐私安全的 AI 服务集群。它集成了 Ollam★ 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
openai-whisper-talkopenai-whisper-talk 是一个基于 OpenAI 技术栈的语音对话示例应用，整合了 Whisper 语音识别、Completions 对话生成、★ 166
voxvox 是一个用 Rust 编写的通用 AI 工具包，专注于高性能的语音转文字（STT）和文字转语音（TTS）处理。它旨在解决实时语音交互场景中的低延迟问题，并★ 165
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
kobold_assistantkobold_assistant 是一个完全离线的 AI 语音助手项目，旨在提供类似 ChatGPT 语音对话的体验，但所有处理都在本地完成，无需联网，保护隐私★ 164
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
wisprWispr 是一款面向 macOS 的隐私优先语音听写工具，基于本地运行的 Whisper AI 模型，把说话内容实时转成文字并输入到任意应用。它解决的是云端语★ 161
OmniDictateOmniDictate 是一款免费开源的 Windows 实时听写工具，完全本地运行，无需云端，保护隐私。它利用 faster-whisper 等 AI 模型实★ 157
eidolon-sceidolon-sc 是一个面向《偶像大师 闪耀色彩》粉丝的 AI 角色分身项目，让你能和游戏中的偶像进行实时语音或文字对话。它解决的是通用聊天机器人缺乏角色设★ 146
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
orukeetorukeet 是一个多语言自动语音识别（ASR）开源项目，核心创新在于用「拟合后冻结的 Gabor 卷积核」替代传统可学习卷积，把声学前端固定下来，减少训练参★ 143
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
claude-telegram-superchargedclaude-telegram-supercharged 是一个把 Claude Code 接入 Telegram 的开源工具，让你在手机上像聊天一样 24/7★ 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
meetcapMeetCap 是一款免费、注重隐私的 AI 原生会议助手，核心特点是会议录音与转写全部在本地电脑完成，不上传云端。它解决的是会议记录耗时、云端转写工具存在隐私★ 136
ariaaria 是一个本地运行的、无审查的 AI 实体项目，基于 Python 构建，集成了大型语言模型（LLM）、语音合成（如 Kokoro TTS）和深度学习技术★ 134
VivaDictaVivaDicta 是一款面向 iOS 和 watchOS 的语音转文字应用，集成了 AI 语音键盘、设备端 RAG 和笔记对话功能。它利用 Apple 基础模★ 134
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
realtime-interview-copilotRealtime Interview Copilot 是一款桌面应用，旨在面试过程中实时辅助用户生成回答。它通过语音转文字技术捕获面试官的问题，并利用大语言模型★ 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
murmurmurmur 是一款面向 macOS 的本地语音听写工具，基于 Swift 开发，核心思路是把语音转文字完全放在设备端完成，不把录音上传到云端。它解决的是日常输★ 128
freellmpoolfreellmpool 是一个免费大模型网关，把 22 家 LLM 提供商的 178 条可用聊天路由和 431 个模型统一到一个入口。它解决的核心问题是：想用免★ 128
doubao-murmurdoubao-murmur 是一个极简的全局语音输入工具，调用豆包 Web 端语音识别能力，把说话内容实时转成文字并直接输入到当前光标位置。它解决的是系统自带听★ 128
openclaw-voiceopenclaw-voice 是一个开源的、基于浏览器的语音聊天解决方案，专为 AI 助手设计。它解决了 AI 助手缺乏语音交互能力的问题，让用户可以通过语音与★ 126
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
PuriPuly-heartPuriPuly-heart 是一个面向 VRChat 的实时双向语音翻译工具，基于大语言模型实现。它解决的是跨语言玩家在虚拟现实中交流困难的问题：说话内容经语★ 125
MilkyAi-bilibiliMilkyAi-bilibili 是一个将 AI 对话助手接入 B 站（bilibili）的开源项目，旨在让 UP 主或观众通过 AI 自动回复评论、私信等互动★ 121
mobile-pc-control-servermobile-pc-control-server 是一个把手机变成电脑遥控器的开源工具。它由 Electron 桌面端和 Node.js 服务端组成，电脑运行服★ 121
whisper-localwhisper-local 是一个面向 Windows 和 macOS 的免费开源离线语音听写工具，定位为 Wispr Flow 和 Dragon 的替代品。它★ 120
hnshns 是一个基于 Python 的命令行语音转文字工具，核心思路是把麦克风输入的语音实时转写为文本并直接写入系统剪贴板，省去手动复制粘贴的步骤。它底层使用 f★ 119
fish-audio-hermesfish-audio-hermes 是 Fish Audio 官方为 Hermes Agent 打造的音频插件，把语音合成、语音识别、音色库、声音克隆和声音设计★ 118
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
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
whisper-subswhisper-subs 是一个 Jellyfin 媒体服务器插件，用本地 Whisper 模型为视频自动生成字幕，所有音频处理都在自己的服务器上完成，不依赖云★ 116
speakmoreSpeakMore 是一款免费开源的跨平台语音输入工具，支持 Mac 和 Windows，用说话代替打字。它解决的核心问题是商业语音输入软件价格高、隐私不透明、★ 116
opensubsopensubs 是一个本地优先的视频字幕工具，目标是不上传视频就能给任意视频生成字幕。它把语音识别、翻译、样式和烧录整合到一条流程里，底层用 Whisper ★ 115
LamplineLampline 是一个可自托管的语音智能体平台，面向想把 Dialogflow CX 和 CX Agent Studio 上的对话机器人迁移到自有硬件的团队。★ 115
TTS-RVC-APITTS-RVC-API 是一个将 Coqui TTS 与 RVC（Retrieval-based Voice Conversion）结合的开源项目，旨在提供高质★ 114
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