高频资源合集

录音转写与会议纪要

浏览当前公开快照中“录音转写与会议纪要”相关的 AI 开源项目，并查看许可证、部署、适用场景、限制和核验来源。

openai/whisper — whisper 是一个基于大规模弱监督训练的通用语音识别模型，可通过单一模型完成多语言语音识别、语音翻译和语言辨识。它以多任务序列到序列方式替代传统语音处理流水线中的多个独立阶段。
ggml-org/whisper.cpp — whisper.cpp 是一个以纯 C/C++ 实现的 OpenAI Whisper 模型推理库，用于在应用程序中集成语音识别功能。该实现无额外依赖，且运行时零内存分配，支持多种操作系统与硬件后端。
Zackriya-Solutions/meetily — meetily 是一款隐私优先的本地 AI 会议助手，能够完全在设备端捕获音频并完成实时转写与摘要，无需将数据发送至云端。它支持使用 Whisper 或 Parakeet 等模型进行本地推理，适合需要严格数据主权的会议记录场景。
mozilla-ai/llamafile — llamafile 将 llama.cpp 与 Cosmopolitan Libc 结合，把大语言模型及其运行环境打包为单一可执行文件，在多数操作系统和 CPU 架构上本地运行且无需安装。它解决了分发和运行大语言模型时面临的安装与跨平台兼容性难题。
SYSTRAN/faster-whisper — systran/faster-whisper 适合需要在本地或自托管环境中运行 Whisper 转录、并关注推理速度与内存占用的开发者。项目支持 CPU 与 CUDA GPU、多种计算类型、批量转录、语音活动检测、单词级时间戳及模型转换，但采用最新 CTranslate2 时需核对 CUDA 12 与 cuDNN 9 的兼容性。
m-bain/whisperX — whisperx 针对 Whisper 语句级时间戳可能偏差数秒且不支持批处理推理的问题，提供了带词级时间戳和说话人分离的快速语音识别方案。在 large-v2 模型下可达 70 倍实时速度，适合需要词级时间戳和多人会话转录的场景。
screenpipe/screenpipe — screenpipe 将本地屏幕和音频录制转化为可搜索的 AI 记忆与自动化系统，数据默认在本地存储。它通过事件驱动捕获、音频转写、自然语言搜索及 Pipes 插件系统，帮助用户在严格保护隐私的前提下记录和调用电脑活动数据。
jianchang512/pyvideotrans — pyvideotrans 将语音识别、字幕翻译、多角色配音和音视频合成串联为一条完整流水线，同时支持本地离线部署和多种主流在线 API。Windows 用户可直接使用预打包程序免配置运行。
NVIDIA-NeMo/Speech — nvidia-nemo/speech 是面向研究人员和 PyTorch 开发者的语音 AI 框架，用于构建、定制和部署语音识别（ASR）、语音合成（TTS）及语音大模型。目前项目正处于转型期，重心转向音频、语音和多模态大模型。
kaldi-asr/kaldi — kaldi 是一个用 C++ 编写的语音识别工具包，提供构建语音识别系统所需的基础代码和示例脚本。使用者需要从源码编译项目，适合有 C++ 和命令行经验的开发人员。
alphacep/vosk-api — vosk-api 是一个离线语音识别库，提供涵盖 20+ 语言的连续大词表转录、流式 API、说话人识别和可重配词表功能。借助 50MB 级别的紧凑模型，它能够在从 Raspberry Pi 到大型服务器的多种设备上本地运行，适用于对隐私要求高且不依赖云服务的场景。
NVIDIA/DeepLearningExamples — deeplearningexamples 提供 NVIDIA GPU 上的前沿深度学习训练脚本集合，按模型分类组织，旨在实现可复现的准确率与性能。项目要求使用 NVIDIA Volta、Turing 和 Ampere 系列 GPU。
kmario23/deep-learning-drizzle — deep-learning-drizzle 是一个结构化的学习资源导航仓库，集中收录了人工智能、机器学习、深度学习及相关基础领域的大学课程与视频讲座链接。它以静态 README 形式托管在 GitHub 上，用户无需安装即可直接浏览分类目录并跳转到外部课程页面。
PaddlePaddle/PaddleSpeech — paddlespeech 是一个覆盖语音识别、语音合成、声音克隆、语音翻译和音频分类等任务的开源语音与音频处理工具包。它提供可通过命令行和服务端组件使用的训练、推理、测试与部署能力。

AI 搜索

高频资源合集