speech-recognition
11件のリポジトリ
huggingface/transformers最先端モデルを統一的に扱うTransformers — テキスト・画像・音声・マルチモーダルの最先端モデルを共通APIで推論・学習できるフレームワークです。Qwen・Gemma・DeepSeekなど主要LLM/VLMにも対応し、Hugging Face Hubの事前学習モデルを即活用できる点が強みです。研究者・実務者双方にとって事実上の標準ツールとなっています。
🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.
m-bain/whisperXWhisperX: Automatic Speech Recognition with Word-level Timestamps (& Diarization)
abus-aikorea/voice-proTTS・音声クローン・Whisperをまとめた字幕/吹替用Gradio UI — Voice-ProはEdge-TTSやKokoroによる音声合成、E2/F5-TTS・CosyVoiceによるゼロショット音声クローン、Whisperによる文字起こし、YouTubeダウンロード、Demucsによるボーカル分離、多言語翻訳を一つのGradio WebUIにまとめたツールです。字幕作成や吹替、ポッドキャスト・オーディオブック制作を、ツールを組み合わせずに一括して行いたい制作者・開発者向けです。
Gradio WebUI for creators and developers, featuring key TTS (Edge-TTS, kokoro) and zero-shot Voice Cloning (E2 & F5-TTS, CosyVoice), with Whisper audio processing, YouTube download, Demucs vocal isolation, and multilingual translation.
QwenAudio/qwen-audio-agentAIエージェントを「そこにいる」ように話し続けるリアルタイム音声ランタイム — Qwen Audio Agentは、AIエージェントがツール呼び出しや作業中でも会話を止めずに応答し続けられるリアルタイム音声ランタイムです。ACPやA2Aバックエンド統合、Claude CodeやCodex等の開発ツールとの連携に対応し、Voice AIをコーディングエージェントに組み込みたい開発者に向いています。
A realtime voice runtime that keeps Agents talking, working, and present. Real-time Voice Runtime for AI Agents
sgl-project/sglang-omni音声・マルチモーダルAIを高速配信するSGLang派生フレームワーク — SGLang-OmniはTTSやASR、統合マルチモーダルモデルに特化した高性能サービングフレームワークです。SGLangの技術基盤を活かし、ストリーミングや分散推論、OpenAI互換APIに対応することで、音声・マルチモーダルAIの実運用を容易にします。
High Performance Serving Runtime For Interactive Super Intelligence System
yuxino/MimiPC・マイク音声をリアルタイム翻訳字幕に変換するMimi — PCのシステム音声やマイク入力をキャプチャし、その場で音声認識・翻訳して字幕表示するTauri製デスクトップアプリです。macOS・Windows・Linux・Androidをサポートし、動画視聴や会議、ゲーム実況など多言語コンテンツを字幕オーバーレイで楽に理解したい人に向いています。Rust製で軽量かつクロスプラットフォーム対応な点が特徴です。
把电脑或麦克风声音转成实时翻译字幕。Live translated subtitles from computer or microphone audio.
anomalyco/hexショートカットを押して話すだけ、端末内完結の音声入力アプリがLinux/Windowsにも — HEXはRust製のネイティブ音声入力アプリです。ショートカットを押しながら話すと、端末上のローカル音声モデルで文字起こしし、使用中のアプリにそのまま貼り付けます。クラウド不要が基本で、任意機能の音声コマンドのみ外部プロバイダーを使う設計。macOS専用から、WindowsとLinuxのベータ版にも対応が広がりました。
Local-first voice dictation for macOS. Hold a shortcut, speak, and paste into any app. Native Rust, on-device speech recognition, and a Linux beta.
opennookorg/betterwisprFree, open-source, local-first dictation app for macOS. Hold a shortcut, speak, and text is typed into any app. On-device speech-to-text with Whisper, Parakeet and Apple speech. Private, offline, open-source Wispr Flow alternative.
oboroge0/hayamimiGPU不要、CPUだけで動く多言語リアルタイム字幕 — 早耳(hayamimi)はCPUのみで動く多言語音声認識ツールです。言語ごとに最適な専門モデルへ自動振り分けし、量子化ONNXモデルで高速推論。日本語でWhisper-large-v3-turboを大幅に上回る精度(CER3.8%)を達成しつつ、発話終了後約100msで字幕を確定表示します。
早耳 - Real-time multilingual speech-to-text on CPU only. Live subtitles, browser dashboard, speaker labels, translation. No GPU, no cloud.
SaarthurR/atticus-macAPI不要、Claudeプランで動くMac音声アシスタント — ⌃⌥Spaceを押して話すだけで、ウィンドウ整理やファイル検索、画面読み取りまでこなすMac用音声アシスタントです。APIキー不要で手持ちのClaude Pro/Maxプランで動作し、よく使う操作を学習して次回以降は瞬時に無料実行できる点が新しく、常用ツールとして刺さります。
Fast, free voice assistant for your Mac. No API key: runs on your Claude Pro or Max plan. Sends background agents for big jobs, remembers you and learns your shortcuts. Hold ⌃⌥Space and talk.
nyosegawa/speech.cppggml駆動の音声合成・認識オールインワンCLI — whisper.cppやllama.cppと同じggmlエンジン上で、TTS・ASR・VADをひとつのCLI/ライブラリに統合したC++実装です。Qwen3-TTSやReazonSpeechなど複数モデルに対応し、Metal/Vulkan/CPUで動作。OpenAI互換サーバーやライブ文字起こしも備え、音声対話アプリを手早く組める点が特徴です。
Speech synthesis, speech recognition and voice activity detection for voice conversation, in C++ on ggml: Qwen3-TTS, Irodori-TTS, Qwen3-ASR, ReazonSpeech, parakeet and Silero VAD on Metal, Vulkan and the CPU, with an OpenAI-compatible server and live transcription.