Hex:按住说话,把本地转写贴进当前桌面应用
Hex 是跨应用的开源本地语音输入工具:按住快捷键说话,松开后把转写文本贴进焦点应用;首次启动需下载语音模型。
「语音转文字」标签聚合的各栏目已发布内容,按本站发布日期从新到旧排列。
14 条
Hex 是跨应用的开源本地语音输入工具:按住快捷键说话,松开后把转写文本贴进焦点应用;首次启动需下载语音模型。
Apache-2.0 开源会议助手:任意会议实时双语字幕与结构化纪要,按住说话键即同传,四端免费开源,Mac 全本机识别声音不出电脑。
Daily 维护的开源 Python 框架,语音识别、TTS、多模态管线即插即用,多 Agent 支持交接与并行扇出,客户端 SDK 覆盖七端。
AudioScript 声稿监听系统声音或麦克风,sherpa-onnx 本地识别加 opus-mt 本地翻译,中英双语字幕悬浮在屏幕上,离线可用。
开源 Python 工具 earshot 让 AI 智能体听懂声音:描述、匹配、找最佳片段、鉴别真伪、给宣传片打分,还能用代码合成音效,纯 CPU 本地跑。
Cactus Compute 开源的端侧自动化模型:8-29 MB 一个二进制,在手机到单片机上做工具调用、结构化抽取与语音识别,Apache-2.0 协议。
VoxWeft 把 VoxCPM2 移植到 MLX 做本机同声传译:首段音频约 170 毫秒,支持 30 种语言与 5 秒声线克隆,数据不出机。
Ming 3.0 TTS 覆盖语音合成、识别与音频理解:含 0.5B 和 7.9B 版本、上下文转写与 126B 音频模型,部署需匹配 GPU。
谷歌 Foresight 是 10 月 6 日上线的 macOS 实验应用,用 EmbeddingGemma 2 在本机转写会议并作答,断网可用。
自托管的会议中间件,智能体通过 MCP 加入浏览器里的视频会议,读实时转录、用语音或聊天发言,模型和语音服务可自选。
给 Claude Code 等智能体加上双向语音对话:你开口说,它用语音答。可用本地 Whisper 和 Kokoro 离线运行,也可接 OpenAI 云服务。
微软首发流式转写模型:2.50% 词错误率、语音结束 0.13 秒出全稿,双榜第一,60 语言,每小时 0.54 美元。
AutoClip 是一个开源视频剪辑工具:导入访谈、播客、课程或游戏录屏,AI 从字幕提取大纲、给片段打精彩分并切成短片合集,你确认后再渲染导出。和把素材传云端的剪辑服务不同,剪辑渲染全在本机,模型 Key 自备,走 Ollama 可完全离线;桌面、Docker、CLI/MCP 三种用法,能按抖音、Shorts、B 站预设导出并直接发布。
开源音视频笔记工具:FunASR 本地识别语音,Ollama 本地模型整理成结构化 Markdown,数据不出本机,适合整理会议和访谈录音。