speech-to-text 第 6 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 6 / 7 页）
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
vector-inferencevector-inference 是一个面向 Slurm 集群的 LLM 推理服务框架，目标是让团队在已有 HPC 调度系统上高效部署大模型推理，而不必额外搭建★ 110
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
awesome-openai-whisper这是一个围绕 OpenAI Whisper 语音识别模型的资源精选列表，把分散在社区里的模型变体、微调版本、推理加速方案、配套工具和教程集中整理到一起。Whis★ 107
WillFromAfarDownloaderWillFromAfarDownloader 是一个针对 acapellabox 网站的音乐下载工具，以 C# 编写。它解决的问题是帮助用户从 acapella★ 106
simple-obs-sttsimple-obs-stt 是一个为 OBS 直播和录播场景设计的实时字幕工具，它通过语音识别（STT）将麦克风或系统音频中的语音转换为文字，并直接以字幕或键★ 106
jkinco-listen-openjkinco-listen-open 是一个本地优先的智能会议纪要工作台，专为需要数据隐私和离线可用的团队设计。它把会议录音转写、场景识别、纪要生成和文档导出整★ 105
giga-pisargiga-pisar（Гига Писарь）是一款面向 macOS 的本地俄语听写工具，基于 GigaAM v3 语音识别模型，用 Swift 编写。它解决的★ 105
free-llm-api-hubfree-llm-api-hub 是一个持续校验的免费及试用额度 LLM API 数据集，面向需要低成本调用大模型的开发者。它解决的核心问题是：网上免费 API★ 105
benchmarks这是一个面向语音 AI 的可复现基准测试项目，专注于 TTS（文本转语音）、STT（语音转文本）和 S2S（语音到语音）三类任务的延迟与准确率评测。它解决的是语★ 103
jargojargo 是一个基于 Go 语言、以 WebRTC 原生和音频优先的对话式 AI 框架。它解决了在实时语音交互场景中，开发者难以快速集成语音识别（STT）、语★ 102
VideoNote-MCPVideoNote-MCP 是一个基于 MCP 协议的视频转笔记工具，把 B 站、抖音、YouTube 等主流平台的视频自动转成文字和结构化笔记。它用 Whis★ 102
gptspeakergptspeaker 是一个基于 Python 的语音助手项目，旨在通过 Raspberry Pi 或桌面电脑实现与 OpenAI 或 DeepSeek 大语言★ 101
OpenTranscribeOpenTranscribe 是一个可自托管的 AI 语音转写平台，目标是把会议、访谈、播客等音视频内容自动转成可搜索、可协作的文字记录。它内置说话人分离（sp★ 101
cliElevenLabs 官方命令行工具，用 Rust 编写，让开发者在终端直接与 ElevenLabs 语音智能体交互。它解决的是语音 AI 能力接入门槛高的问题★ 101
volocalvolocal 是一个面向 iOS 的完全本地化语音 AI 工具，基于 Swift 和 SwiftUI 构建，利用 Core ML 和 llama.cpp 在设★ 100
harfiyenharfiyen 是一个完全在浏览器本地运行的土耳其语语音识别与字幕生成工具。它解决的核心问题是：土耳其语使用者想做语音转写或给视频加字幕时，往往要依赖云端 A★ 100
VoiceFlowVoiceFlow 是一款面向 Windows 的离线语音输入工具，核心解决在任意应用里快速把口述内容变成文字的问题。它常驻后台，通过快捷键触发，在系统当前光标★ 100
speech-rest-apispeech-rest-api 是一个基于 Python 的语音处理 REST API 服务，主要提供语音转文字（ASR）和文字转语音（TTS）两大核心能力。它★ 98
AriaTypeAriaType 是一款基于 Rust 开发的桌面端语音驱动写作与输入工具，主打本地优先和隐私保护。它通过语音识别（STT）将用户的口述内容实时转换为文本，支持★ 94
deepgram-go-sdkdeepgram-go-sdk 是 Deepgram 语音 AI 平台的官方 Go 语言开发工具包，用于将语音识别（ASR）、语音合成（TTS）和语音代理（Vo★ 93
speech-corespeech-core 是一个面向端侧设备的实时语音智能体流水线，用 C++17 编写，基于 ONNX Runtime 和 LiteRT（TensorFlow ★ 93
chatgpt_android这是一个基于 Kotlin 开发的安卓端 ChatGPT 客户端，核心思路是用户只需在本地配置自己的 OpenAI API Key，即可在手机上使用 ChatG★ 89
personaplex-mlxPersonaPlex-MLX 是 NVIDIA PersonaPlex 全双工语音对话模型在 Apple Silicon 上的 MLX 移植版，旨在让 Mac★ 89
Talk2GPTTalk2GPT 是一个面向 Windows 和 Unix 系统的 GPT-3 客户端，主打记忆管理功能，支持多语言文本和语音交互，并附带免费的文生图能力。它解★ 89
NOVA-NodeJSNOVA 是一个用 Node.js 构建的可定制语音助手，旨在为开发者提供一个轻量、可扩展的本地语音交互解决方案。它解决了现有语音助手（如 Alexa、Goog★ 88
speech-translator-readmeSpeech Translator 是一个实时语音翻译工具，旨在打破语言障碍，让用户能够用母语说话，并即时获得目标语言的语音输出。它解决的是跨语言实时沟通中的效★ 88
asktubeAskTube 是一个基于 RAG（检索增强生成）的 AI 驱动 YouTube 视频摘要与问答工具。它允许用户输入 YouTube 视频链接，自动提取视频字幕★ 87
hume-typescript-sdk这是一个用于将Hume AI集成到TypeScript项目的官方SDK。Hume AI是一个专注于情感智能的对话式AI平台，能够从语音中识别情绪并生成富有情感的★ 84
OpenVoiceUIOpenVoiceUI 是一个开源的语音驱动 AI 助手平台，旨在通过语音交互连接任意大语言模型（LLM）和文本转语音（TTS）引擎，提供实时网页画布、音乐生成★ 80
kesha-voice-kitkesha-voice-kit 是一个本地优先的语音工具包，为开发者的工具链赋予语音能力。它支持语音转文字和文字转语音，覆盖 25 种语言，在 Apple Si★ 78
youtube-auto-dubyoutube-auto-dub 是一个本地优先的开源 YouTube 视频配音工具，旨在将视频中的原始语音克隆并翻译成另一种语言，同时保持时间同步。它解决了视★ 75
whisper-shortcutwhisper-shortcut 是一款面向 macOS 的菜单栏应用，主打语音优先的交互体验。它解决的是在 Mac 上快速进行语音转文字、语音控制剪贴板、朗读★ 74
Omniverse-Virtual-Assisstant这是一个基于NVIDIA Omniverse平台的虚拟助手项目，核心功能是结合Audio2Face面部动画技术与Riva SDK的语音能力，打造一个能听会说的3★ 73
Audio-book-generatorAudio-book-generator 是一个将电子书转换为有声书的 Python 工具。它解决的是用户没时间阅读电子书、或希望以听觉方式获取书籍内容的问题。★ 72
llmedgellmedge 是一个面向 Android 的原生 AI 推理库，旨在将大语言模型、图像生成、图像识别、视频处理、语音识别（STT）和语音合成（TTS）等能力集★ 71
WatBotWatBot 是一个基于 IBM Watson 服务的 Android 聊天机器人示例项目。它利用 Watson Assistant V1 提供对话管理，通过 ★ 71
web-speech-cognitive-services这是一个JavaScript库，为Web Speech API提供Polyfill实现，将微软Azure认知服务中的语音转文本和文本转语音能力接入浏览器。它解决★ 70
elevenlabs这是一个非官方的 Go 语言客户端库，用于调用 ElevenLabs 的 API。它封装了文本转语音、语音转文本、音效生成和声音管理等功能，让 Go 开发者能够★ 69
tg_bot_stt_tts这是一个基于 Python 的 Telegram 机器人，核心功能是语音消息的识别与生成，即语音转文字（STT）和文字转语音（TTS）。它解决了在 Telegr★ 68
Symposium2023Symposium2023 是一个用 Pascal 语言编写的多功能 AI 演示项目，整合了语音识别、文本转语音、语言翻译、OAuth2 认证、图像生成、人脸检★ 66
piper-appPiper-app 是 Piper 文本转语音引擎的 iOS 和 macOS 原生移植版，基于 Swift 开发，将原本面向 Linux 的 Piper TTS★ 65
mimiuchimimiuchi 是一个免费、可定制、支持 OSC 的语音转文字界面，旨在将语音识别结果实时转发到不同类型的应用程序，尤其针对 VR 聊天等虚拟现实场景。它解决★ 63
real-time-language-translator这是一个基于语音识别与机器翻译的实时语言翻译工具，使用Python构建。它通过麦克风捕捉用户语音，利用语音识别技术将音频转为文本，再调用翻译引擎将文本翻译成目标★ 61
react-native-spokestackreact-native-spokestack 是一个为 React Native 应用提供语音接口的官方 SDK，它封装了 Spokestack 的 iOS ★ 60
translatetranslate 是一款 Android 应用，专注于翻译文本对话，支持 90 多种语言，并集成了语音识别（speech-to-text）和语音合成（text★ 60
deepgram-dotnet-sdkdeepgram-dotnet-sdk 是 Deepgram 官方推出的 .NET 客户端库，用于在 C# 应用中集成 Deepgram 的语音 AI 服务。它★ 56
gpt-dungeon-masterGPT Dungeon Master 是一个利用 GPT 模型为桌面角色扮演游戏（如龙与地下城）打造的 AI 地下城主。它解决了传统跑团中需要人工 DM 的痛点★ 53
cortanacortana 是一个基于 Python 的个人语音助手项目，结合了 OpenAI 的 ChatGPT、Whisper 语音识别和 ElevenLabs 的文本★ 53
AmazonSpeechTranslatorAmazonSpeechTranslator 是一个基于 AWS 托管机器学习服务的 iOS 端到端语音翻译解决方案，集成了语音识别（Amazon Transc★ 52