Awesome GitHub RepositoriesSpeech Recognition Engines

Azure Docs is the official technical documentation repository for Microsoft Azure, the cloud computing platform. It provides comprehensive guidance on the full spectrum of Azure services, covering everything from core infrastructure components like virtual machines, Kubernetes clusters, and serverless computing to platform services for AI, machine learning, data analytics, and storage. The documentation details how to provision, manage, and govern cloud resources at scale, including policy enforcement, identity management, and cost optimization. The documentation distinguishes Azure through i

Ecoute is a live transcription tool that provides real-time transcripts for both the user's microphone input (You) and the user's speakers output (Speaker) in a textbox.

FunClip is an open-source tool that transcribes speech from video files and clips segments based on text, speaker, or AI analysis. It combines speech recognition with speaker diarization, audio event detection, and visual content understanding to identify and extract relevant portions of a video. The tool distinguishes itself through several integrated capabilities. It supports hotword-weighted speech recognition, which improves transcription accuracy for specific terms like names or jargon by boosting their probability during decoding. A large language model can interpret the transcribed tex

هذا المشروع عبارة عن خادم نسخ (transcription) مسرع بالأجهزة ومولد ترجمة (subtitle) غير متصل بالإنترنت. يعمل كأداة تحويل الكلام إلى نص تقوم بتحويل ملفات الصوت والفيديو إلى نص عادي، و JSON، وتنسيقات ترجمة SRT باستخدام نموذج Whisper. يعمل النظام كمحاكي لـ OpenAI Audio API، ويوفر خادماً محلياً يحاكي واجهة صوتية محددة. وهذا يسمح له بتقديم النسخ لتكوينات العميل الموجودة دون الحاجة إلى تغييرات في برمجيات العميل. تستخدم الخدمة تسريع GPU لزيادة سرعة التعرف على الصوت وتتضمن أدوات لاكتشاف الأجهزة وتحسين استهلاك الموارد. وتدعم استنتاج النموذج دون اتصال بالإنترنت لخصوصية البيانات وتوفر قدرات معالجة لاحقة لتحويل النص بين النصوص المبسطة والتقليدية.

Jasper Client هو عميل حوسبة صوتية وإطار عمل كلامي قابل للتوسيع مصمم لترجمة الكلام باللغة الطبيعية إلى إجراءات أجهزة وطلبات خدمة. يعمل كواجهة أوامر صوتية تدير العملية من البداية إلى النهاية لالتقاط الصوت، والنسخ، وتنفيذ الإجراءات. يتميز النظام ببنية نمطية تسمح بتكامل المكونات الإضافية المخصصة، ومحركات التعرف على الكلام المختلفة، وموفري التوليف. يدعم هذا النهج القائم على المكونات الإضافية إضافة متحدثين جدد وقدرات لغوية إقليمية دون تغيير المنطق الأساسي. يتضمن العميل محرك اكتشاف كلمة التنبيه (Wake-word) الذي يراقب تدفقات الصوت في الخلفية لمشغلات صوتية محددة. للحفاظ على استجابة الواجهة، يستخدم خط أنابيب صوتياً متعدد الخيوط يقوم بتفريغ معالجة الصوت والنسخ إلى خيوط تنفيذ منفصلة.

CTranslate2 is a C++ inference engine and runtime for Transformer models, designed to execute models on both CPU and GPU with optimizations for speed and memory efficiency. It functions as a model format converter, quantization tool, and REST API server, enabling deployment of neural machine translation, automatic speech recognition, and text generation models. The engine distinguishes itself through a suite of runtime optimizations including layer fusion, weight-matrix quantization, batch-by-length grouping, and a caching allocator that reuses GPU memory. It supports tensor-parallel model di

PocketSphinx is an offline speech recognition engine that converts raw audio from files or live microphone streams into written text without requiring a network connection. It functions as a speech-to-text library, a real-time transcription engine, and a voice command processor, capable of detecting and transcribing spoken commands from continuous audio streams with configurable acoustic and language models. The engine uses weighted finite-state transducers to represent acoustic, phonetic, and language models as a single search graph for efficient decoding. It employs fixed-point acoustic mod

This project is a deep learning framework designed for end-to-end speech-to-text transcription. It utilizes the WaveNet neural network architecture to process spoken audio input and generate written text transcripts, leveraging connectionist temporal classification to map variable-length audio sequences to character-level outputs. The system distinguishes itself through a comprehensive training pipeline that supports distributed execution across multiple graphics processing units. It includes specialized utilities for audio data augmentation and the transformation of raw audio files into opti

Whisper streaming هو محرك التعرف التلقائي على الكلام مصمم لتحويل الصوت المباشر إلى نص. يعمل كخادم نسخ قائم على الشبكة يقبل بيانات الصوت الخام من العملاء البعيدين ويعيد نتائج نصية تزايدية في الوقت الفعلي. يتميز النظام بقدرته على معالجة تدفقات الصوت بشكل تزايدي، مما يسمح بالنسخ والترجمة الفورية أثناء التقاط الكلام. وهو يدمج الكشف عن نشاط الصوت لعزل الكلام البشري عن ضوضاء الخلفية ويستخدم التخزين المؤقت للنافذة المنزلقة لإدارة مقاطع الصوت الواردة، مما يضمن بقاء المعالجة فعالة ومتماسكة على مدى فترات طويلة. بالإضافة إلى النسخ المباشر، يدعم المشروع معالجة الصوت عن بعد ويوفر أدوات لمحاكاة ظروف الوقت الفعلي باستخدام ملفات مسجلة مسبقاً. تسمح هذه القدرات بقياس أداء نماذج التعرف على الكلام واختبار زمن الوصول في ظل بيئات خاضعة للرقابة. يتم توزيع البرنامج كحزمة قائمة على Python.

Whisper Real-Time is a speech-to-text engine designed to convert continuous microphone input into written transcripts. It functions as a real-time audio processor that leverages the OpenAI Whisper model to generate immediate textual output from live spoken language. The system utilizes a transformer-based architecture to map audio sequences to text tokens. It manages incoming data through a sliding-window buffering mechanism and a circular buffer, which ensures a steady stream of audio for the inference engine. To maintain accuracy during continuous processing, the software employs a stateful

Whishper is a graphical user interface for transcribing audio and video files into text using the Whisper model. It serves as a speech-to-text tool and subtitle file generator that converts spoken content into editable text and timed subtitle formats. The project features an integrated transcription and translation interface, allowing users to refine automated results and convert transcribed text into different languages. It includes a visual editor for correcting speech recognition errors, adjusting segment timecodes, and performing bilingual translation reviews. The system handles the full

هذا المشروع عبارة عن مجموعة أدوات لتعلم الآلة مصممة لتطوير وتدريب ونشر محركات التعرف التلقائي على الكلام. يوفر إطار عمل شاملاً لتحويل الصوت المنطوق إلى نص مكتوب، مع دعم خاص للنماذج المدربة على مجموعات بيانات الماندرين والإنجليزية. تستخدم المكتبة معمارية عصبية من طرف إلى طرف (end-to-end) تعالج مدخلات الصوت الخام مباشرة إلى تسلسلات أحرف، متجاوزة الحاجة إلى محاذاة لغوية وسيطة. وتدمج تقنيات معالجة الإشارات لتحويل الموجات الصوتية إلى مخططات طيفية رقمية ومتجهات ميزات، والتي تُستخدم بعد ذلك لتدريب النماذج الصوتية من خلال دورات تعلم متكررة ومسرعة بالأجهزة. تتضمن مجموعة الأدوات حزمة كاملة من المرافق لإدارة دورة حياة النموذج، بما في ذلك المعالجة المسبقة للبيانات، واستمرارية الحالة القائمة على نقاط التحقق، وتقييم الأداء. يمكن للمستخدمين تقييم جودة النسخ عن طريق حساب مقاييس مثل مسافة تحرير الصوت (phoneme edit distance) مقابل تسميات الحقيقة الأساسية لتحديد دقة تحويل الكلام إلى نص.

Julius is a high-performance, open-source speech recognition engine designed for large vocabulary continuous speech recognition. It functions as a comprehensive framework utilizing Hidden Markov Model-based acoustic modeling and N-gram language models to convert live or recorded audio into text. The engine is built to support real-time streaming and provides a network-accessible service that allows external applications to manage recognition sessions and receive transcription results through programmatic commands. The engine distinguishes itself through its modular architecture and support fo

هذا المشروع عبارة عن محرك للتعرف الضوئي على الحروف (OCR) يعتمد على الطرفية، ويستخدم نماذج الشبكات العصبية لاستخراج النصوص وبيانات التخطيط المكاني من الصور. يعمل كأداة سطر أوامر لمعالجة النصوص المؤتمتة وكمكتبة لدمج التعرف المدعوم بالتعلم الآلي في سير العمل الأوسع. يتميز المحرك بخط معالجة معياري يدعم تحميل النماذج المخصصة وتهيئة الأوزان المعينة في الذاكرة (memory-mapped) للتنفيذ الفعال. وهو يحافظ على بنية المستند من خلال تتبع إحداثيات هندسية دقيقة لكل عنصر نصي مكتشف، ويسمح بتحسين المخرجات من خلال قواعد التحقق على مستوى الحرف. يتضمن النظام أدوات شاملة لاستيعاب الصور، بما في ذلك الالتقاط المباشر من حافظة النظام ومحتوى المتصفح. كما يوفر قدرات تشخيصية من خلال إنشاء تراكبات بصرية وقطع أثرية للمعالجة الوسيطة للتحقق من دقة التعرف واستكشاف أخطاء أداء خط المعالجة وإصلاحها. يتم توزيع البرنامج كملف ثنائي ثابت (static binary) لضمان إمكانية النقل عبر البيئات دون الحاجة إلى تبعيات خارجية.

Expo Speech Recognition is a cross-platform mobile module that converts live microphone audio and pre-recorded files into text using native speech engines. It provides offline speech recognition capabilities by downloading and verifying local speech models to enable on-device processing without an active network connection. The library includes session lifecycle management to start, stop, or abort recording, alongside real-time spoken language detection with confidence scoring. It emits volume change events for metering interfaces, handles audio session configuration and routing, and persist