stt-services

1. 开源语音转文字（STT/ASR）服务

本文汇总了目前业界主流的开源语音转文字（Speech-to-Text / Automatic Speech Recognition）服务与框架，以便进行技术选型。

1.1. DeepSpeech (Mozilla)

由 Mozilla 开发的基于 TensorFlow 的开源语音识别引擎。

• 现状说明：当前该项目已处于 停止维护 状态。
• 运行环境：由于依赖旧版本库，Python 版本通常需要锁定在 3.6。
• 相关资源：
  • GitHub 仓库
  • 官方文档 (v0.9.3)
  • 预训练模型下载

1.2. Whisper (OpenAI)

由 OpenAI 开源的多语言通用语音识别模型，具有极高的准确率和鲁棒性，支持翻译与转录。

• 优势：支持多种语言，能够应对复杂的背景噪音，社区活跃度极高（衍生出如 whisper.cpp 等高性能推理实现）。
• 相关资源：
  • GitHub 仓库

1.3. PaddleSpeech (PaddlePaddle)

基于百度飞桨（PaddlePaddle）平台开发的易用、高效的语音方向开发套件。

• 优势：对中文语音识别（ASR）、语音合成（TTS）、声音分类等任务支持极为友好，提供一键式预测和部署。
• 相关资源：
  • GitHub 仓库

1.4. FunASR (达摩院)

由阿里巴巴达摩院开源的语音端到端学习及开放包，致力于构建工业级的语音识别、语音端点检测（VAD）等工具。

• 优势：具备极强的工程落地能力，支持中文高精度实时转写及多场景定制。
• 相关资源：
  • GitHub 仓库