RealtimeSTT_LLM_TTS

整合语音识别与AI对话的开源项目

RealtimeSTT 语音转文字实时转录 GPU支持唤醒词 Github 开源项目

该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。

文档

tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例

DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别

使用谷歌的TensorFlow框架进行语音识别，最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学，开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech，这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展，如GPU上的WarpCTC和P2P学习模块。

Multilingual_Text_to_Speech - 多语言文本到语音合成技术

GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成

Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术，支持复杂的多语言语音合成实验，提供完善的编码器共享机制，并包含丰富的语言数据及互动示范，旨在推动学术研究及应用开发。

SenseVoice - 高效、多语种语音识别与情绪识别技术平台

GithubSenseVoice多语言语音识别开源项目情绪识别推理效率热门音频事件检测

SenseVoice是一款支持多语言的语音解析模型，整合了自动语音识别、语种识别、情绪识别及音频事件检测功能。该项目采用非自回归端到端框架，可在超过50种语言上提供精准的语音识别服务，大幅降低了推理延迟，提供方便的微调脚本和多语种细粒度情绪分析，支持多种客户端语言和服务部署，适用于多种商业场景。

AudioGPT - 多功能音频生成与理解平台，支持语音、音乐、音效及虚拟人对话

AudioGPTGithub开源项目语音增强语音识别音乐生成音频合成

AudioGPT 是一个多功能音频生成与理解平台，具备语音合成、语音识别、语音分离、风格迁移、声音检测、声音提取、文本到音频转换等功能，还支持音乐生成与虚拟人对话。集成了 FastSpeech、whisper、GeneFace 等多个领先的基础模型，AudioGPT 为开发者提供强大的开源工具和预训练模型，支持多种音频相关任务，不断扩展其功能和应用场景。此平台适合音频处理、自然语言处理及多模态研究的需求。

openai-whisper-realtime - 低延迟实时音频转录，依赖高性能硬件和Python生态

GithubOpenAI WhisperPython依赖项实时转录开源项目音频输入

openai-whisper-realtime是一个几乎实时转录音频的实验项目，使用Python和OpenAI Whisper处理音频。该项目依赖高性能CPU或GPU，使用sounddevice、numpy和asyncio等库。当前目标包括提升转录性能、优化断词检测和动态分割。

ai-devices - 智能语音助手现支持多语音模型和视觉推断技术

AI设备GPT-4GithubOpenAI开源项目语音输入镜像处理

本项目是AI驱动的智能语音助手，集成多种AI模型和服务。支持语音输入、文字转语音、图片处理及功能调用，提供高级视觉推断，保障用户获得全面的智能交互体验。主要支持最新的gpt-4o和gemini-1.5-flash-latest视觉模型，满足现代科技需求。

WhisperFusion - WhisperFusion 低延迟高性能的实时AI语音交互系统

GPU加速GithubTensorRT优化WhisperFusion大语言模型实时语音转文字开源项目

WhisperFusion是一个开源项目，结合WhisperLive和WhisperSpeech技术，集成Mistral大语言模型，实现实时语音转文本和智能对话。项目采用TensorRT引擎优化模型性能，使用torch.compile加速处理，在RTX 4090 GPU上实现低延迟对话。通过Docker Compose简化部署，方便开发者快速搭建AI语音交互系统。

ChatTTS - 优化对话场景的文本转语音技术，提供自然流畅的语音输出

AI工具ChatTTS人工智能对话系统自然语言处理语音合成

ChatTTS是一种针对对话场景优化的文本转语音模型，适用于聊天机器人和虚拟助手等应用。该模型支持英语和中文，通过大规模数据训练，生成自然、富有表现力的语音输出。ChatTTS具备多说话人支持、精细控制和优秀韵律等特点，能够实现逼真的交互式对话。开源版本提供40,000小时预训练模型，适合研究和开发。此模型在对话场景中表现突出，有助于提升语音交互的自然度和生动性。

speech-to-text-benchmark - 开源语音识别基准测试框架对比多家主流引擎

Github基准测试开源项目模型大小计算效率识别准确率语音转文本

该项目提供了一个开源的语音识别基准测试框架，对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集，评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现，为选择语音识别解决方案提供了参考依据。

ollama-voice - 离线语音交互AI助手集成语音识别对话和合成功能

Githubollama-voice大型语言模型开源项目文字转语音离线模式语音识别

ollama-voice是一个集成Whisper语音识别、Ollama大语言模型和pyttsx3文本转语音技术的开源项目。它创建了一个完全离线的语音交互AI助手，支持本地语音识别、自然语言处理和语音合成。用户通过按住空格键即可与AI对话，适用于需要隐私保护或离线环境的语音交互场景。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com