搜索结果：speech（27 个）
按分类缩小范围
FunASR
综合 80
支持训练、推理、流式 ASR、VAD、标点恢复及 OpenAI/MCP 兼容服务的开源语音识别工具包。
speech-to-speech
综合 76
基于开源模型构建语音智能体（Voice Agent）的开发库。
datasets
综合 76
汇聚海量 AI 模型开箱即用数据集的枢纽，并提供快速、易用且高效的数据处理工具。
meetily
综合 73
面向 Windows 和 macOS 的本地 AI 会议记录工具。基于本地 Whisper/Parakeet 转录并识别人声，Granola 开源替代品。
WhisperLiveKit
综合 72
本地实时流式语音转文字工具，支持说话人分离、翻译及兼容 OpenAI 的 API。
Speech
综合 72
NVIDIA 的生成式 AI 框架，专为大语言模型、多模态及语音 AI（ASR 与 TTS）研究与开发打造。
openwhispr
综合 71
跨平台语音转文字应用，支持本地模型（Whisper 等）与云端模型，注重隐私保护。
VidBee
综合 70
支持从千余站点下载音视频，本地转写并标注说话人，结合 AI 实现总结、翻译及对话。
CosyVoice
综合 70
多语言大规模语音生成模型，提供涵盖推理、训练和部署的全栈能力。
speechbrain
综合 70
基于 PyTorch 的开源全能语音处理工具包。
ChatTTS
综合 69
专注于日常对话场景的生成式文本转语音（TTS）模型。
screenpipe
综合 69
持续记录电脑屏幕工作轨迹以梳理工作流，并为 AI Agent 提供上下文背景记忆。
spark-nlp
综合 68
Spark NLP 是基于 Apache Spark 构建的工业级 NLP 与大模型库，解决大规模文本处理在分布式环境中难以扩展的痛点。它提供实体识别、文本分类、问答等功能，内置超 10 万个预训练模型与管道，并支持导入 TensorFlow、ONNX 及 GGUF 模型。
faster-whisper
综合 67
基于 CTranslate2 的高速 Whisper 转录工具。
PaddleSpeech
综合 66
易用的语音工具包，包含 ASR、流式 TTS、声纹识别及端到端语音翻译等。
silero-vad
综合 64
Silero VAD：预训练的企业级语音活动检测器（Voice Activity Detector）
whisperX
综合 61
具备词级时间戳和说话人日志（Diarization）功能的自动语音识别工具。
voice-pro
综合 58
面向创作者的 Gradio WebUI，集成主流 TTS、零样本声音克隆与人声分离等功能。
dia
综合 56
支持一次性生成超逼真对话的 TTS（文本转语音）模型。
Wav2Lip
综合 55
ACM MM 2020 论文 Wav2Lip 官方源码，实现真实场景下的语音到唇形同步生成。