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

Este proyecto es un servidor de transcripción acelerado por hardware y generador de subtítulos offline. Funciona como una herramienta de voz a texto que convierte archivos de audio y video en texto plano, JSON y formatos de subtítulos SRT utilizando el modelo Whisper. El sistema opera como un emulador de la API de Audio de OpenAI, proporcionando un servidor local que imita una interfaz de audio específica. Esto le permite servir transcripciones a configuraciones de cliente existentes sin requerir cambios en el software del cliente. El servicio utiliza aceleración de GPU para aumentar la velocidad de reconocimiento de voz e incluye utilidades para la detección de hardware y optimización del consumo de recursos. Admite inferencia de modelos offline para la privacidad de los datos y proporciona capacidades de post-procesamiento para convertir texto entre scripts simplificados y tradicionales.

Jasper Client es un cliente de computación por voz y framework de voz extensible diseñado para traducir el habla en lenguaje natural en acciones de hardware y solicitudes de servicio. Funciona como una interfaz de comandos de voz que gestiona el proceso de extremo a extremo de captura de audio, transcripción y ejecución de acciones. El sistema cuenta con una arquitectura modular que permite la integración de plugins personalizados, varios motores de reconocimiento de voz y proveedores de síntesis. Este enfoque basado en plugins soporta la adición de nuevos hablantes y capacidades de idiomas regionales sin alterar la lógica central. El cliente incluye un motor de detección de palabra de activación (wake-word) que monitorea flujos de audio de fondo en busca de disparadores acústicos específicos. Para mantener la capacidad de respuesta de la interfaz, utiliza un pipeline de audio multihilo que descarga el procesamiento de audio y la transcripción a hilos de ejecución separados.

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

Este proyecto es un framework de aprendizaje profundo diseñado para la transcripción de voz a texto de extremo a extremo. Utiliza la arquitectura de red neuronal WaveNet para procesar la entrada de audio hablado y generar transcripciones de texto escrito, aprovechando la clasificación temporal conexionista (CTC) para mapear secuencias de audio de longitud variable a salidas a nivel de carácter. El sistema se distingue por una tubería de entrenamiento integral que soporta la ejecución distribuida a través de múltiples unidades de procesamiento gráfico (GPU). Incluye utilidades especializadas para la aumentación de datos de audio y la transformación de archivos de audio crudos en formatos binarios optimizados, lo que minimiza la latencia de entrada y salida de disco durante el entrenamiento de modelos a gran escala. El software proporciona un entorno completo para gestionar flujos de trabajo de aprendizaje automático, incluyendo herramientas para calcular métricas de pérdida para monitorear la convergencia y precisión del modelo. Todos los componentes, incluyendo el motor de reconocimiento y las tuberías de entrenamiento, están diseñados para el despliegue dentro de entornos contenedorizados para asegurar una ejecución consistente en diversos sistemas host.

Whisper streaming is an automated speech recognition engine designed to convert live audio into text. It functions as a network-based transcription server that accepts raw audio data from remote clients and returns incremental text results in real-time. The system distinguishes itself through its ability to process audio streams incrementally, allowing for immediate transcription and translation as speech is captured. It incorporates voice activity detection to isolate human speech from background noise and utilizes sliding-window buffering to manage incoming audio segments, ensuring that pro

Whisper Real-Time es un motor de voz a texto diseñado para convertir la entrada continua del micrófono en transcripciones escritas. Funciona como un procesador de audio en tiempo real que aprovecha el modelo OpenAI Whisper para generar una salida textual inmediata a partir del lenguaje hablado en vivo. El sistema utiliza una arquitectura basada en transformers para mapear secuencias de audio a tokens de texto. Gestiona los datos entrantes a través de un mecanismo de búfer de ventana deslizante y un búfer circular, que asegura un flujo constante de audio para el motor de inferencia. Para mantener la precisión durante el procesamiento continuo, el software emplea un contexto de transcripción con estado que retiene un historial de segmentos de audio anteriores. Esta herramienta admite una variedad de aplicaciones, incluyendo transcripción de voz en vivo, automatización de notas de reuniones, subtitulado de voz en tiempo real y procesamiento de comandos de voz. La implementación utiliza un pipeline de inferencia asíncrono para desacoplar la captura de audio del procesamiento del modelo, evitando que el bucle de ejecución principal se bloquee durante la transcripción.

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

Este proyecto es un kit de herramientas de machine learning diseñado para el desarrollo, entrenamiento y despliegue de motores de reconocimiento automático de voz. Proporciona un framework integral para convertir audio hablado en texto escrito, soportando específicamente modelos entrenados en datasets de mandarín e inglés. La librería utiliza una arquitectura neuronal end-to-end que procesa la entrada de audio cruda directamente en secuencias de caracteres, evitando la necesidad de una alineación lingüística intermedia. Incorpora técnicas de procesamiento de señales para transformar ondas sonoras en espectrogramas numéricos y vectores de características, que luego se utilizan para entrenar modelos acústicos a través de ciclos de aprendizaje iterativos acelerados por hardware. El kit de herramientas incluye un conjunto completo de utilidades para gestionar el ciclo de vida del modelo, incluyendo preprocesamiento de datos, persistencia de estado basada en puntos de control y evaluación de rendimiento. Los usuarios pueden evaluar la calidad de la transcripción calculando métricas como la distancia de edición de fonemas frente a etiquetas de verdad fundamental para cuantificar la precisión de la conversión de voz a texto.

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

Este proyecto es un motor de reconocimiento óptico de caracteres (OCR) basado en terminal que utiliza modelos de redes neuronales para extraer texto y datos de diseño espacial de imágenes. Funciona tanto como una utilidad de línea de comandos para el procesamiento automatizado de texto como una biblioteca para integrar el reconocimiento basado en machine learning en flujos de trabajo más amplios. El motor se distingue por una tubería de procesamiento modular que admite la carga de modelos personalizados y la inicialización de pesos mapeados en memoria para una ejecución eficiente. Preserva la estructura del documento mediante el seguimiento de coordenadas geométricas precisas para cada elemento de texto detectado, y permite el refinamiento de la salida a través de reglas de validación a nivel de carácter. El sistema incluye herramientas integrales para la ingesta de imágenes, incluyendo la captura directa desde portapapeles del sistema y contenido del navegador. Proporciona capacidades de diagnóstico mediante la generación de superposiciones visuales y artefactos de procesamiento intermedio para verificar la precisión del reconocimiento y solucionar problemas de rendimiento de la tubería. El software se distribuye como un binario estático para asegurar la portabilidad entre entornos sin requerir dependencias externas.

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