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

Acest proiect este un server de transcriere accelerat hardware și un generator de subtitrări offline. Acesta funcționează ca un instrument de tip speech-to-text care convertește fișierele audio și video în text simplu, JSON și formate de subtitrare SRT folosind modelul Whisper. Sistemul operează ca un emulator OpenAI Audio API, oferind un server local care imită o interfață audio specifică. Acest lucru îi permite să servească transcrieri către configurațiile client existente fără a necesita modificări ale software-ului client. Serviciul utilizează accelerarea GPU pentru a crește viteza de recunoaștere vocală și include utilitare pentru detectarea hardware-ului și optimizarea consumului de resurse. Suportă inferența modelului offline pentru confidențialitatea datelor și oferă capabilități de post-procesare pentru a converti textul între scripturi simplificate și tradiționale.

Jasper Client este un client de voice computing și un framework de vorbire extensibil conceput pentru a traduce vorbirea în limbaj natural în acțiuni hardware și cereri de servicii. Acesta funcționează ca o interfață de comandă vocală care gestionează procesul end-to-end de captare audio, transcriere și execuție a acțiunilor. Sistemul dispune de o arhitectură modulară care permite integrarea de plugin-uri personalizate, diverse motoare de recunoaștere vocală și furnizori de sinteză. Această abordare bazată pe plugin-uri suportă adăugarea de noi vorbitori și capabilități lingvistice regionale fără a altera logica de bază. Clientul include un motor de detectare a cuvântului de trezire (wake-word) care monitorizează fluxurile audio de fundal pentru declanșatoare acustice specifice. Pentru a menține responsivitatea interfeței, utilizează un pipeline audio multi-threaded care descarcă procesarea audio și transcrierea către fire de execuție separate.

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

Acest proiect este un framework de deep learning conceput pentru transcrierea end-to-end de la vorbire la text (speech-to-text). Utilizează arhitectura de rețea neuronală WaveNet pentru a procesa input-ul audio vorbit și a genera transcrieri text scrise, folosind clasificarea temporală conexionistă (CTC) pentru a mapa secvențele audio de lungime variabilă la ieșiri la nivel de caracter. Sistemul se distinge printr-un pipeline de antrenare cuprinzător care suportă execuția distribuită pe mai multe unități de procesare grafică (GPU). Include utilitare specializate pentru augmentarea datelor audio și transformarea fișierelor audio brute în formate binare optimizate, ceea ce minimizează latența input/output-ului pe disc în timpul antrenării modelelor la scară largă. Software-ul oferă un mediu complet pentru gestionarea fluxurilor de lucru de machine learning, inclusiv instrumente pentru calcularea metricilor de pierdere (loss metrics) pentru a monitoriza convergența și acuratețea modelului. Toate componentele, inclusiv motorul de recunoaștere și pipeline-urile de antrenare, sunt concepute pentru implementarea în medii containerizate pentru a asigura o execuție consistentă pe diverse sisteme gazdă.

Whisper streaming este un motor de recunoaștere automată a vorbirii conceput pentru a converti audio live în text. Funcționează ca un server de transcriere bazat pe rețea care acceptă date audio brute de la clienți la distanță și returnează rezultate text incrementale în timp real. Sistemul se distinge prin capacitatea sa de a procesa fluxuri audio incremental, permițând transcrierea și traducerea imediată pe măsură ce vorbirea este capturată. Încorporează detecția activității vocale pentru a izola vorbirea umană de zgomotul de fundal și utilizează buffering-ul cu fereastră glisantă pentru a gestiona segmentele audio primite, asigurându-se că procesarea rămâne eficientă și coerentă pe durate lungi. Dincolo de transcrierea live, proiectul suportă procesarea audio la distanță și oferă instrumente pentru a simula condiții de timp real folosind fișiere pre-înregistrate. Aceste capabilități permit benchmarking-ul modelelor de recunoaștere a vorbirii și testarea latenței în medii controlate. Software-ul este distribuit ca un pachet bazat pe Python.

Whisper Real-Time este un motor de speech-to-text conceput pentru a converti input-ul continuu de la microfon în transcrieri scrise. Funcționează ca un procesor audio în timp real care valorifică modelul OpenAI Whisper pentru a genera output textual imediat din limbajul vorbit live. Sistemul utilizează o arhitectură bazată pe transformatoare pentru a mapa secvențele audio la token-uri text. Gestionează datele primite printr-un mecanism de buffering de tip sliding-window și un buffer circular, care asigură un flux constant de audio pentru motorul de inferență. Pentru a menține acuratețea în timpul procesării continue, software-ul folosește un context de transcriere cu stare care reține un istoric al segmentelor audio anterioare. Acest instrument susține o varietate de aplicații, inclusiv transcrierea vorbirii live, automatizarea notelor de ședință, captioning-ul vocal în timp real și procesarea comenzilor vocale. Implementarea folosește un pipeline de inferență asincron pentru a decupla capturarea audio de procesarea modelului, prevenind blocarea buclei principale de execuție în timpul transcrierii.

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

Acest proiect este un toolkit de machine learning conceput pentru dezvoltarea, antrenarea și deployment-ul motoarelor de recunoaștere automată a vorbirii (ASR). Oferă un framework cuprinzător pentru conversia audio-ului vorbit în text scris, suportând în mod specific modele antrenate pe seturi de date în mandarină și engleză. Biblioteca utilizează o arhitectură neuronală end-to-end care procesează input-ul audio brut direct în secvențe de caractere, eliminând necesitatea alinierii lingvistice intermediare. Încorporează tehnici de procesare a semnalului pentru a transforma undele sonore în spectrogramă numerice și vectori de caracteristici, care sunt apoi utilizați pentru a antrena modele acustice prin cicluri de învățare iterative, accelerate hardware. Toolkit-ul include o suită completă de utilitare pentru gestionarea ciclului de viață al modelului, inclusiv preprocesarea datelor, persistența stării bazată pe checkpoint-uri și evaluarea performanței. Utilizatorii pot evalua calitatea transcrierii prin calcularea metricilor precum distanța de editare a fonemelor față de etichetele ground truth pentru a cuantifica precizia conversiei speech-to-text.

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

Acest proiect este un motor de recunoaștere optică a caracterelor (OCR) bazat pe terminal, care utilizează modele de rețele neuronale pentru a extrage text și date de layout spațial din imagini. Funcționează atât ca utilitar de linie de comandă pentru procesarea automată a textului, cât și ca bibliotecă pentru integrarea recunoașterii bazate pe machine learning în fluxuri de lucru mai largi. Motorul se distinge printr-un pipeline de procesare modular care suportă încărcarea de modele personalizate și inițializarea ponderilor mapate în memorie pentru o execuție eficientă. Păstrează structura documentului prin urmărirea coordonatelor geometrice precise pentru fiecare element de text detectat și permite rafinarea rezultatelor prin reguli de validare la nivel de caracter. Sistemul include instrumente cuprinzătoare pentru ingestia imaginilor, inclusiv capturarea directă din clipboard-ul sistemului și conținutul browserului. Oferă capabilități de diagnosticare prin generarea de suprapuneri vizuale și artefacte de procesare intermediare pentru a verifica acuratețea recunoașterii și a depana performanța pipeline-ului. Software-ul este distribuit ca binar static pentru a asigura portabilitatea între medii fără a necesita dependențe externe.

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