本地跑实时语音转文字，带流式识别、说话人分离和翻译，还兼容 OpenAI/Deepgram 接口，适合自建低延迟转写服务。

自托管的大模型对话界面，兼容 Ollama、OpenAI API 等后端，内置 RAG 与 MCP 支持，让团队快速搭建私有 AI 聊天入口。

无需分词器的多语言语音合成模型，支持创意音色设计和逼真声音克隆，可直接从文本生成自然语音。

预训练的企业级语音活动检测（VAD）模型，能精准切分音频中的说话段与静音段，支持 ONNX 和 PyTorch 部署，适合语音识别、语音指令等场景的前置处理。

面向 AI Agent 的实时语音运行时，把语音识别和语音合成接进编码助手，让 Agent 能边说话边干活、保持在线。

在 Arduino ESP32 硬件上跑实时语音 AI，通过安全 WebSocket 和边缘函数接入 100+ 模型，做 AI 陪伴设备。

轻量级离线语音识别引擎，用 C 写成、体积小、资源占用低，适合在嵌入式设备和移动端做实时语音转文字。

用自托管 Whisper 配合 WebSocket 做近实时语音转写，Python 后端加 JS 前端，适合自己搭一套低延迟的语音识别服务。

跨 macOS 和 Windows 的实时语音翻译桌面应用，本地运行无需服务器，用自己的 API key 完成语音识别与翻译，并免费合成语音。

低延迟、高音质的开源音频编解码器，专为互联网实时语音和音乐传输设计，广泛用于 VoIP、视频会议和流媒体。

把 OpenAI Whisper 做成近实时的语音转文字服务，支持 TensorRT、OpenVINO、ROCm 等硬件加速，适合直播字幕和听写场景。

轻量级上下文感知语音合成模型，仅2.19亿活跃参数，支持声音克隆和流式输出，纯C实现可在CPU上离线运行，附带完整的实时语音助手方案。

百聆是一个类 GPT-4o 的实时语音对话助手，串联 ASR、大模型和 TTS，端到端延迟低至 800ms，支持打断，Mac 等低配设备也能跑。

基于新一代 Kaldi 和 ncnn 的离线实时语音识别与语音活动检测引擎，无需联网即可在手机、嵌入式板卡和桌面端跑起来。

基于 OpenAI Whisper 搭建实时语音转文字 Web 应用的开源示例，帮你快速把语音识别能力接入网页端。

基于 OpenAI Whisper 的实时语音转写框架，接收连续音频流分块并即时输出增量转写结果，不用等整段音频上传完再处理。

本地离线跑图像生成、实时语音对话和 LLM 聊天机器人的桌面推理引擎，数据不出本机，适合注重隐私的创作与自动化工作流。

基于 Azure AI Search 和 gpt-4o-realtime 的语音 RAG 示例，让语音助手能实时检索知识库并生成带依据的对话回答。