pengzhendong/streaming-sensevoice
Pseudo Streaming SenseVoice with Hotwords
解決する課題
SenseVoiceモデルを使用して推論をチャンク単位で処理することで、リアルタイムのストリーミング音声文字起こしを実現します。これにより、音声ファイル全体が処理されるのを待たずにテキスト出力を受け取ることが可能になります。
仕組み
このプロジェクトは、SenseVoiceモデルをラップするストリーミング実装を提供します。音声処理には3つの方法があります：録音済みのwavファイルの処理、マイクからの直接入力、そして（FastAPIで構築された）WebSocketサービスを利用してブラウザからサーバーへMP3形式の音声チャンクを送信し、低遅延で文字起こしを行う方法です。
対象ユーザー
SenseVoiceモデルを使用して、リアルタイムの音声認識機能をアプリケーションに統合したい開発者。
ハイライト
- マイク入力からのリアルタイム文字起こし。
- ブラウザベースの音声ストリーミングのためのWebSocketサーバー。
- wavファイルの文字起こしサポート。
- Recorderライブラリとの統合による効率的な音声送信。
関連
- プロジェクト
xpzouying/x-mcpX‑MCP は Chrome 拡張機能で、AI エージェント（Claude、Codex など）がブラウザを制御して Xiaohongshu に投稿を作成・公開できるようにします。Model Context Protocol（MCP）を採用。Python/Docker ベースのバックエンドは不要。aredink.com から取得できるトークンのみで、非技術者向けの AI 自動化を実現します。
- プロジェクト
Wing900/ManimCatManimCatは、自然言語の数学プロンプトをアニメーション（Manim）または静的（matplotlib）ビジュアルに変換するAI支援型ウェブワークスペースです。クイック生成の「Workflow」モードと、反復的な作成のための長寿命の「Agent/Studio」モードを提供し、React、Express、Redis、オプションのSupabaseストレージで構築されており、ローカルまたはDocker/Hugging Face Spacesで実行できます。
- プロジェクト
WecomTeam/wecom-openclaw-pluginOpenClaw AIエージェントプラットフォーム用のWeComチャネルプラグイン。Bot（WebSocketまたはJSON Webhook）およびAgent（暗号化XML Webhook）接続を追加し、リッチメディア、プロアクティブおよびストリーミング返信、細かいアクセス制御、複数アカウント設定をサポート。また、組み込みの `wecom-cli` ツールで、メッセージ、メール、ドキュメント、スプレッドシート、カレンダー、会議、ファイルストレージ、連絡先など数十のWeComビジネスAPIをAIが呼び出せるようにします。
- プロジェクト
ttlequals0/MinusPodMinusPod は、ポッドキャストを文字起こしし、LLM を使用して広告セグメントを特定し、それらをカットし、広告なしのフィードを提供する自己ホスト型 Docker サービスです。ローカルの Whisper ベースの文字起こし、複数の LLM プロバイダー、ユーザーの修正からのパターン学習、レビュー用の Web UI をサポートしています。