FunASR是一款語音離線文件轉寫服務軟件包，集成了語音端點檢測、語音識別、標點等模型，能夠將長音頻與視頻轉換成帶標點的文字，並支持多路請求同時轉寫。它支持ITN與用戶自定義熱詞，服務端集成有ffmpeg，支持多種音視頻格式輸入，並提供多種編程語言客戶端，適用於需要高效、準確語音轉寫服務的企業和開發者。

AsrTools是一款基於人工智能技術的語音轉文字工具，它通過調用大廠的ASR服務接口，實現了無需GPU和複雜配置的高效語音識別功能。該工具支持批量處理和多線程併發，能夠快速將音頻文件轉換成SRT或TXT格式的字幕文件。AsrTools的用戶界面基於PyQt5和qfluentwidgets，提供高顏值且易於操作的交互體驗。它的主要優點包括調用大廠接口的穩定性、無需複雜配置的便捷性、以及多格式輸出的靈活性。AsrTools適合需要快速將語音內容轉換成文字的用戶，特別是在視頻製作、音頻編輯和字幕生成等領域。目前，AsrTools提供免費使用大廠ASR服務的模式，對於個人和小團隊來說，可以顯著降低成本並提高工作效率。

Youtube-Whisper是一個基於Gradio的應用程序，它通過提取YouTube視頻的音頻並使用OpenAI的Whisper模型來轉錄成文本。這個工具對於需要將視頻內容轉化為文本以進行分析、存檔或翻譯的用戶來說非常有用。它利用了最新的人工智能技術，提高了視頻內容的可訪問性和可用性。

babelfish.ai 是一個基於瀏覽器的即時語音轉文字和翻譯應用。它利用 Huggingface Transformer.js 和 Supabase Realtime 技術，實現了本地化的即時語音識別和多語言翻譯功能。該應用支持將語音即時轉換為文本，並能將文本翻譯成200種語言，極大地提高了跨語言溝通的效率和便捷性。

WeST是一個開源的語音識別轉錄模型，以300行代碼的簡潔形式，基於大型語言模型（LLM）實現語音到文本的轉換。它由一個大型語言模型、一個語音編碼器和一個投影器組成，其中僅投影器部分可訓練。WeST的開發靈感來源於SLAM-ASR和LLaMA 3.1，旨在通過簡化的代碼實現高效的語音識別功能。

Goldfish 是一種為理解任意長度視頻而設計的方法論。它通過高效的檢索機制，首先收集與指令相關的前k個視頻片段，然後提供所需的響應。這種設計使得Goldfish能夠有效處理任意長的視頻序列，適用於電影或電視劇等場景。為了促進檢索過程，開發了MiniGPT4-Video，該模型為視頻片段生成詳細的描述。Goldfish在長視頻基準測試中取得了41.78%的準確率，超過了之前的方法14.94%。此外，MiniGPT4-Video在短視頻理解中也表現出色，分別在MSVD、MSRVTT、TGIF和TVQA短視頻基準測試中超過了現有最佳方法3.23%、2.03%、16.5%和23.59%。這些結果表明，Goldfish模型在長視頻和短視頻理解方面都有顯著改進。

aTrain是由格拉茨大學商業分析與數據科學中心的研究人員開發，並由格拉茨知識中心的研究人員測試的一款離線語音轉錄工具。它利用最新的機器學習模型，無需上傳任何數據即可自動轉錄語音錄音。aTrain在《行為與實驗金融學雜誌》上發表的論文中被介紹，如果用於研究，請引用該論文。它支持Windows 10和11系統，用戶可以通過Microsoft應用商店或BANDAS中心網站下載安裝。對於Linux系統，提供了Wiki上的安裝指南。aTrain的主要優點包括無需上傳數據的隱私保護、高質量的轉錄質量、以及在本地計算機上的快速處理速度。

CTRL-F-VIDEO 是一個開源項目，通過Chrome擴展實現在YouTube視頻中搜索特定單詞或短語的功能。它利用OpenAI的Whisper模型將音頻轉換為文本，並在視頻時間條上標記出匹配詞彙的位置，幫助用戶節省查找信息的時間。

StreamRAG是一個開源的視頻檢索和流媒體代理,使用GPT理解用戶的查詢意圖,並從視頻數據庫中檢索相關視頻進行回覆。它支持上傳和管理視頻集合,並通過RESTful API將其發佈為ChatGPT技能,以提供語音搜索和響應能力。

FunASR是一款語音離線文件轉寫服務軟件包，集成了語音端點檢測、語音識別、標點等模型，能夠將長音頻與視頻轉換成帶標點的文字，並支持多路請求同時轉寫。它支持ITN與用戶自定義熱詞，服務端集成有ffmpeg，支持多種音視頻格式輸入，並提供多種編程語言客戶端，適用於需要高效、準確語音轉寫服務的企業和開發者。

AsrTools是一款基於人工智能技術的語音轉文字工具，它通過調用大廠的ASR服務接口，實現了無需GPU和複雜配置的高效語音識別功能。該工具支持批量處理和多線程併發，能夠快速將音頻文件轉換成SRT或TXT格式的字幕文件。AsrTools的用戶界面基於PyQt5和qfluentwidgets，提供高顏值且易於操作的交互體驗。它的主要優點包括調用大廠接口的穩定性、無需複雜配置的便捷性、以及多格式輸出的靈活性。AsrTools適合需要快速將語音內容轉換成文字的用戶，特別是在視頻製作、音頻編輯和字幕生成等領域。目前，AsrTools提供免費使用大廠ASR服務的模式，對於個人和小團隊來說，可以顯著降低成本並提高工作效率。

園丁提詞器是一款專為直播、演講、教學等場景設計的桌面提詞器應用。它通過智能語音識別技術，即時感知用戶語速，智能調節文本滾動速度，確保提詞與表達同步。產品融合尖端AI技術，提供文案優化、全渠道提取文案、無水印視頻下載、違禁詞檢測、文案配音等功能，顯著提升文本創作效率。園丁提詞器支持多窗口同步播放，滿足多樣展示需求，所有窗口均可置頂，避免遮擋，實現真正的隱形提詞。產品背景信息顯示，園丁提詞器歷經萬場直播考驗，穩定耐用，團隊持續創新，穩定迭代，提供卓越服務。

Kaption AI是一款Chrome瀏覽器插件，它利用人工智能技術將WhatsApp上的音頻消息轉換成文字，並提供消息摘要和回覆建議。這款插件重視用戶隱私和安全性，採用先進的AI技術實現準確的轉錄和總結。它特別適合那些經常使用WhatsApp且難以聽取長音頻消息的用戶，幫助他們節省時間，只關注重要的信息。

Rev AI提供高精度的語音轉錄服務，支持58種以上語言，能夠將視頻和語音應用中的語音轉換為文本。它通過使用世界上最多樣化的聲音集合進行訓練，為視頻和語音應用設定了準確性標準。Rev AI還提供即時流媒體轉錄、人類轉錄、語言識別、情感分析、主題提取、總結和翻譯等服務。Rev AI的技術優勢在於低詞錯誤率、對性別和種族口音的最小偏見、支持更多語言以及提供最易讀的轉錄文本。此外，它還符合世界頂級的安全標準，包括SOC II、HIPAA、GDPR和PCI合規性。

Youtube-Whisper是一個基於Gradio的應用程序，它通過提取YouTube視頻的音頻並使用OpenAI的Whisper模型來轉錄成文本。這個工具對於需要將視頻內容轉化為文本以進行分析、存檔或翻譯的用戶來說非常有用。它利用了最新的人工智能技術，提高了視頻內容的可訪問性和可用性。

Video Search 本地視頻搜索是一款專為Mac用戶設計的視頻內容檢索工具，它利用蘋果原生能力在本地環境中運行，無需聯網即可實現視頻內容的快速檢索。該應用通過高精度OCR技術自動識別視頻中的文字內容，並支持中文和英文識別，使得用戶能夠通過輸入關鍵詞快速定位到視頻中的特定片段。它特別適合需要頻繁檢索視頻資料的用戶，如學生、研究人員、內容創作者和專業人士，幫助他們提高工作效率。

babelfish.ai 是一個基於瀏覽器的即時語音轉文字和翻譯應用。它利用 Huggingface Transformer.js 和 Supabase Realtime 技術，實現了本地化的即時語音識別和多語言翻譯功能。該應用支持將語音即時轉換為文本，並能將文本翻譯成200種語言，極大地提高了跨語言溝通的效率和便捷性。

WeST是一個開源的語音識別轉錄模型，以300行代碼的簡潔形式，基於大型語言模型（LLM）實現語音到文本的轉換。它由一個大型語言模型、一個語音編碼器和一個投影器組成，其中僅投影器部分可訓練。WeST的開發靈感來源於SLAM-ASR和LLaMA 3.1，旨在通過簡化的代碼實現高效的語音識別功能。