#语音转文本

Deepgram Voice AI平台，采用最新Nova-2语音识别模型，提供实时、高效和低成本的语音转文字与文字转语音APIs，适用于医疗转录、客户服务与媒体字幕制作等多种场景。

RealtimeSTT是一个为实时应用设计的语音转文本库。它集成了语音活动检测、实时转录和唤醒词激活等功能，适合开发语音助手和需要快速精确语音转文本的应用。该库采用WebRTCVAD和SileroVAD进行语音检测，Faster_Whisper执行转录，Porcupine或OpenWakeWord负责唤醒词检测，体现了当前语音识别技术的先进水平。

Gladia是一个音频智能处理API平台，基于优化的Whisper ASR技术提供实时和异步语音转文字、多语言翻译服务。平台集成了摘要生成、章节划分、情感分析等音频智能功能，支持99种语言。通过简单的API集成，开发者可以快速为应用添加先进的音频AI能力，有效挖掘音频数据价值。

Scrawly.ai是一款创新的AI驱动语音转文本应用，专注于提升生产力。该应用将语音输入转化为结构化笔记和可执行任务，实现高效的笔记记录和任务管理。集成先进AI技术，Scrawly.ai不仅支持语音输入，还能智能组织内容、生成多媒体资料，并提供个性化的生产力分析。这款应用为用户带来全新的工作方式，助力灵感捕捉和效率提升，是一款综合性的AI辅助生产力工具。

Tunk是一个专业的AI语音转文字平台，提供高质量、高准确度的转录服务。支持商业财务、教育科技、翻译、新闻调查、医疗法律等多个领域应用。采用先进AI技术和人工审核相结合，确保转录精确性。平台提供API服务、会议集成、LLM集成等功能，优化工作流程，提高沟通效率。使用简便，只需上传文件即可获得高质量文字转录结果。Tunk致力于为各行业提供可靠的语音转文字解决方案。

GptBase.io整合OpenAI、Gemini和DALL-E等先进神经网络技术，提供文本生成、图像创作、代码编写和AI聊天等功能。该平台帮助用户高效创作优质内容，适用于写作、设计和编程等领域。GptBase.io为各行业专业人士提供AI辅助工具，简化创作流程，提升工作效率。

AdutorAI是一款智能音频转文字工具，可将3分钟内的语音精准转换为文本。它提供多样化的文本处理功能，包括笔记保存、编辑、长度调整、总结、翻译和样式重塑等。该工具支持多语言处理，允许用户自定义输出风格并对比原始转录。采用每日优化的AI技术，AdutorAI不断提升转录质量，为用户带来高效的音频文本处理体验。

voice-vector.com提供先进的语音克隆、文本转语音和语音识别服务。平台采用灵活的按需付费模式，适合开发者、播客制作者和内容创作者。功能包括个性化语音克隆、多语言文本转语音和高质量语音识别。用户可获得免费试用额度，体验服务质量。

AssemblyAI是一个专业的语音AI技术平台，提供语音识别和理解服务。其功能包括语音转文本、说话人识别、情感分析、章节检测和个人信息编辑。该平台具有易集成、灵活定价、技术持续更新等特点，并提供全天候支持。AssemblyAI帮助企业利用语音数据开发创新AI产品。

Ask Via是一款集成于WhatsApp平台的智能聊天助手,基于ChatGPT 3.5技术。这款工具全天候可用,能够回答问题、执行任务,还具备语音转文字和AI图像生成功能。Ask Via适用于工作、学习和日常生活,可以协助用户编写代码、翻译语言、撰写文章和规划旅行等,是一个功能丰富的智能助手。它旨在提高用户的工作效率,为各种场景提供智能支持。

whisper.api是一个开源的自托管语音转文字API项目，基于微调的Whisper ASR模型。项目提供HTTP API接口，支持用户级API密钥管理，并采用量化模型优化，实现高效推理。其开源特性便于自定义和私有部署，适用于各类需要语音识别功能的应用场景。

WhisperS2T是一个为Whisper模型优化的开源语音识别管道，提供更快的转录速度。它支持OpenAI原始模型、HuggingFace模型和CTranslate2模型等多种推理引擎。该项目具有集成自定义VAD模型、智能处理音频文件、支持多语言和多任务批处理等特点，并能有效减少幻觉输出。WhisperS2T在保持高准确度的同时大幅提升转录速度，为用户提供高效的语音识别解决方案。

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。

Echogarden 是一个功能全面的开源语音处理工具集，提供文本转语音、语音识别、语音对齐和翻译等多项功能。该工具集适用于 Windows、macOS 和 Linux 平台，安装和使用简便。Echogarden 采用 TypeScript 开发，通过 WebAssembly 和 ONNX 运行时实现跨平台兼容，无需复杂依赖。目前主要提供命令行界面，支持批量处理，未来计划开发图形界面和交互式工具。

这是一个针对泰语的开源语音识别模型，通过微调wav2vec2-large-xlsr-53并整合CommonVoice V8数据集实现。模型采用pythainlp进行预分词，结合语言模型显著提升性能。在CommonVoice V8测试集上，模型实现12.58%的词错率和3.28%的字符错率，较基准模型大幅提升。该项目代表了当前泰语语音识别领域的先进水平。