Project Icon

speech-to-text

实时音频转录系统,兼容多种格式,具备高级配置

该开源项目使用Silero VAD技术检测静音部分,并结合Faster-Whisper将音频数据转录为文本。支持多种音频格式(如wav、mp3、ogg)和高级设置,如重复惩罚和无重复ngram大小。其HTML界面允许进行详细配置,并能同步显示转录结果,支持CUDA环境运行,兼容最新的Faster-Whisper版本(1.0.3),提升转录速度和准确性。

faster-whisper-medium.en - 优化版Whisper语音识别模型集成CTranslate2框架
CTranslate2GithubHuggingfaceWhisperfaster-whisper开源项目模型模型转换语音识别
faster-whisper-medium.en是OpenAI Whisper-medium.en模型的CTranslate2移植版本,专注于英语音频转文本处理。通过CTranslate2框架优化,支持FP16计算类型,提供Python接口实现音频转录功能,输出包含时间戳的文本片段。项目采用MIT许可证开源,主要面向需要语音识别功能的开发场景。
whisper-web - 浏览器端实时语音识别技术
GithubTransformers.jsWebGPUWhisper Web开源项目浏览器应用语音识别
Whisper Web是一个基于机器学习的浏览器端语音识别项目。它利用 Transformers.js 技术,在客户端实现实时语音处理,无需服务器支持。该项目提供在线演示和本地部署选项,并正在开发 WebGPU 支持以提高性能。Whisper Web 展示了 Web 技术在语音识别领域的应用潜力,为开发者提供了一个便捷的语音识别解决方案。
Whisper-WebUI - 多功能字幕生成和翻译工具,支持多种Whisper实现
GithubGradioWhisper-WebUI字幕生成器开源项目翻译语音转文字
Whisper-WebUI是基于Gradio的浏览器界面,支持从文件、YouTube和麦克风生成字幕,并提供多语言翻译。用户可以选择不同的Whisper实现,如openai/whisper、faster-whisper和insanely-fast-whisper,支持SRT、WebVTT、txt等多种字幕格式。功能包括语音转文字翻译、音频预处理(Silero VAD)和说话人分离(pyannote)。提供详细的安装指南与自动安装脚本,并且兼容Docker运行,提升VRAM利用率和转录速度。
Audio2Text - 多语言音频转文字工具 支持多种格式及字幕导出
AI工具OpenAI技术免费使用多语言支持字幕创建语音转文字
Audio2Text是一款基于OpenAI技术的音频转文字工具,支持超过50种语言的高精度转录。利用先进的AI语音识别技术,该服务提供免费使用选项,可导出SRT字幕文件,并支持TXT、PDF等多种格式下载。适用于多种场景,提供快速准确的音频转文字解决方案。免费版有一定限制,用户可通过购买积分包获得更高质量和更快的处理速度。
distil-whisper - 快速高效的音频转录模型
Distil-WhisperGithub开源项目机器学习模型压缩自然语言处理语音识别
Distil-Whisper是OpenAI Whisper模型的蒸馏版本,速度提升6倍,模型规模缩小49%,同时保持了相近的准确性。该项目支持短语音和长语音转录,提供多个针对英语语音识别的高效模型。Distil-Whisper还可作为Whisper的辅助模型实现推测解码,在保证输出一致性的同时将速度提升2倍。
openai-whisper-api - 多功能开源语音转文字API,支持多语言和多任务
DockerGithubNode.jsOpenAI Whisper APITypescript开源项目语音识别
OpenAI Whisper API是一种开源AI模型微服务,采用OpenAI先进的语音识别技术,支持多语言识别、语言识别和语音翻译。该服务基于Node.js、Bun.sh和Typescript构建,可在无依赖的Docker环境中运行,适用于语音和语言相关的应用。无论是转录语音消息、改进系统性能,还是探索Whisper API的功能,这都是一个强大的工具,且采用MIT许可证,开发者可以轻松使用。
faster-whisper-medium - 多语言语音识别与转录的高效开源解决方案
CTranslate2GithubHuggingfaceWhisper多语言开源项目模型模型转换自动语音识别
该项目是基于OpenAI Whisper medium模型转换而来的CTranslate2格式模型,为faster-whisper项目提供支持。支持90多种语言的语音识别和转录功能,性能优异且准确度高。用户可通过faster-whisper轻松实现音频文件的高效转录,获取精确的时间戳和文本输出。模型采用float16量化,计算类型可根据需求灵活调整,适用于多种语音识别应用场景。
Whisper-Finetune - 微调与加速Whisper模型
GithubOpenAIWhisper加速推理开源项目微调语音识别
本项目使用Lora技术微调了OpenAI的Whisper语音识别模型,并支持CTranslate2和GGML加速。模型能够进行无时间戳、有时间戳及无语音数据训练,并支持中文和98种其他语言的语音转文本及翻译。开源了多个适用于不同需求的模型,支持Windows、Android和服务器部署。提供详细的安装教程和使用说明,以及AIShell和WenetSpeech数据的评估和推理速度测试表,方便用户快速上手。
pyvideotrans - 视频翻译与多语言配音解决方案
Githubpyvideotrans开源项目翻译模型视频翻译语音识别配音工具
这款工具支持将视频内容翻译为多种指定语言,并自动生成字幕和配音。集成了faster-whisper、openai-whisper、GoogleSpeech等多个语音识别、翻译和文本合成模块,支持中文、英语、韩语、日语等20多种语言。用户可以进行视频翻译、字幕生成和批量处理,并可以选择保留背景音乐,适用于Windows、MacOS、Linux等多种平台。
Whisper-Finetune - 语音识别模型的高效微调与加速
GithubWhisper中文识别加速推理开源项目模型微调语音识别
Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调,支持多种数据类型的训练,并通过CTranslate2和GGML实现加速推理。此外,项目提供了跨平台应用和服务器部署方案,为语音识别应用开发提供了全面支持。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号