离线运行的本地音视频转字幕工具，能把语音识别成文字，输出 JSON、SRT 字幕和纯文本格式，适合不想上传云端、注重隐私的字幕制作场景。

可自托管的个人 AI 第二大脑，能从网页和本地文档中检索答案，支持自定义智能体、定时自动化和深度研究，兼容多种在线或本地大模型。

把视频从一种语言翻译成另一种语言，自动生成配音和字幕并嵌入视频，适合做视频本地化和跨语言内容分发。

超低延迟的语音转文字、意图识别和语音合成工具，用来搭建语音助手和语音交互界面，响应快、适合实时对话场景。

离线语音识别 API，支持 Android、iOS、树莓派和服务器，提供 Python、Java、C#、Node 多语言绑定，适合注重隐私、不依赖云端的语音转文字场景。

基于苹果 MLX 框架的语音处理库，在 Apple Silicon 上高效完成语音合成、语音识别和语音转换，适合本地跑多模态语音任务。

基于 Stream 边缘网络快速搭建语音与视觉智能体，可接入任意模型或视频源，实现超低延迟的实时多模态交互。

本地运行的语音转文字工具，带网页界面，用 Whisper 模型把任意音频转成文本，还能翻译和编辑字幕，全程数据不出本机。

用 Qwen3-ASR、Whisper 和本地 LLM 给日语音视频自动生成字幕，靠 TEN-VAD 和降噪处理应对嘈杂背景音。

开源的 Android 语音助手应用，支持离线语音识别、唤醒词检测和语音合成，可替代系统自带助手。

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。

跨平台本地大模型推理引擎，支持 Godot、Flutter、Expo 等客户端，让 LLM 在任意设备上高效离线运行。

一套目标检测评估指标工具，涵盖 mAP、AR、STT-AP 等 14 种指标，兼容 COCO、PASCAL VOC、ImageNet 等多种边界框格式，省去自己实现评估逻辑的麻烦。

纯 C++ 音频推理引擎，基于 ggml 实现，一套代码覆盖语音合成、识别、VAD、变声和音乐生成，不依赖 Python，适合边缘部署。

高质量、可靠的 TTS/STT 库，在服务端和浏览器里都能用，统一封装 Edge、微软、OpenAI 等语音接口，省去逐个对接的麻烦。

Linux 桌面上的离线语音笔记应用，集语音转文字、文字转语音和机器翻译于一体，无需联网即可完成听写、朗读和翻译。

把视频自动翻译并配音成另一种语言，集语音识别、说话人分离、字幕翻译和语音合成于一体，输出音画同步的译制视频。

围绕 TTS 生成模型搭建的语音合成服务，提供 API Server 和 Gradio WebUI，方便快速部署和调用多种语音生成模型。

We've moved to SGLang Omni Voxt: https://github.com/sgl-project/sglang-omni/tree/main/Voxt

把语音识别成文字再转成语音，并通过 OSC 消息把文本推到 VRChat 头像聊天框显示，还能播报当前歌曲。

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。

在 Neovim 里直接调用 ChatGPT、Ollama、Anthropic 等大模型，做对话会话、可指令化的文本/代码改写和语音转文字。

面向小智 ESP32 语音硬件的 Java 企业级管理后台，集设备监控、音色定制、角色切换与对话记录管理于一体，前后端和服务端开箱即用。

面向双语会议的实时双向语音翻译工具，自动识别说话语言并双向互译，支持云端或完全离线本地运行，覆盖桌面端和浏览器插件。

基于 ggml 的 C++ 语音推理运行时，统一跑 Cohere Transcribe、Parakeet TDT、Voxtral、Canary 等多语言 ASR 与 TTS 模型，还带通用强制对齐。

跨平台开源语音输入工具，按下热键自然说话，就能在任意应用中直接得到润色后的文字，省去手动打字。

在 Apple Silicon Mac 上原生微调大模型的工具，基于 MLX 支持 SFT、DPO、GRPO 以及视觉、语音、OCR 等多模态训练，API 兼容 Unsloth。

用 Python 搭建 WhatsApp 智能体 Ava 的实战课程，串联语音转写、语音合成和向量数据库，带你跑通一个能对话的 Agent 完整流程。