youtube-transcript-api

m-bain

whisperX

WhisperX 是一个基于 Python 的语音识别工具，为 Whisper 补上词级时间戳与说话人分离能力，让转写结果能精确对齐到每个词。它最典型的用法是给播客、访谈或会议录音生成带时间轴的字幕，方便后续剪辑与检索。

modelscope

FunASR

FunASR 是开源语音识别 toolkit，覆盖训练、推理与流式 ASR，还集成 VAD、标点和说话人分离 pipeline，并提供 OpenAI 兼容与 MCP 服务。典型场景是开发者用 Python 快速搭建实时字幕或会议转写服务。

NVIDIA-NeMo

Speech

NVIDIA NeMo Speech 是一个可扩展的生成式 AI 框架，专为语音识别与语音合成任务打造，帮开发者省去从零搭建训练流程的麻烦。最典型的用法是拿它微调 ASR 模型，通过 Python 脚本或 CLI 完成数据准备、训练与推理。

leon-ai

leon

Leon 是一个开源的个人智能助手，用 TypeScript 编写，采用 MIT 许可。它把语音识别与自然语言理解结合起来，让你通过说话就能完成日常操作。最典型的用法是在本地或自建服务器上跑起 Leon，接入自己的 skill，用语音或文字下达指令，比如查天气、记待办，省去手动点开各种应用。

kaldi-asr

kaldi

Kaldi 是开源的语音识别工具包，为开发者提供从特征提取到声学建模的完整方案。它主要用 Shell 和 C++ 构建，适合搭建传统混合与神经网络语音识别系统。典型场景是研究者基于其 recipe 在标准数据集上训练并评测自己的声学模型。

k2-fsa

sherpa-onnx

sherpa-onnx 是一个基于 onnxruntime 的离线语音处理工具库，无需联网即可完成语音识别、合成与说话人分离等任务。它面向嵌入式与移动端，提供多语言 SDK，典型场景是在 Android 或树莓派上跑本地实时语音转文字。