openai/whisperPython60.0k

WhisperはOpenAIが開発した高精度な音声認識モデルです。多言語対応で、日本語を含む99言語の音声をテキストに変換できます。ノイズの多い環境でも安定した認識精度を発揮し、文字起こし作業の自動化に適しています。

ユースケース: 音声の文字起こし自動化

  • 多言語対応
  • 高精度
  • オープンソース
GitHubで見る →

Robust Speech Recognition via Large-Scale Weak Supervision

関連リポジトリ

AIエージェントに「スキル」を装備させよう!Codex用スキルカタログ — skills

openai/skillsPython13.5k

openai/skillsは、OpenAIのコーディングAIエージェント「Codex」に特定の作業能力を追加するための「スキル」を集めたカタログです。スキルとは、指示書・スクリプト・リソースをまとめた

LLMアプリのレシピ集!ChatGPTから音声エージェントまで実例満載 — awesome-llm-apps

Shubhamsaboo/awesome-llm-appsPython99.0k

awesome-llm-appsは、ChatGPTやGeminiなどの大規模言語モデル(AIの文章生成技術)を使った実用的なアプリケーションの作り方を集めたレシピ集です。AIエージェント(自動でタスク

写真1枚でリアルタイム顔入れ替え!ワンクリックでディープフェイク映像を生成 — Deep-Live-Cam

hacksider/Deep-Live-CamPython90.5k

Deep-Live-Camは、たった1枚の写真を用意するだけで、ウェブカメラの映像やビデオの中の顔をリアルタイムに別人の顔に入れ替えられるソフトウェアです。「顔を選ぶ→カメラを選ぶ→ライブボタンを押す

AIに「このサイトで○○して」と頼むだけ!ブラウザ操作を全自動化するエージェント — browser-use

browser-use/browser-usePython84.1k

browser-useは、AI(人工知能)にウェブブラウザを操作させて、オンラインの作業を自動化できるPython製のツールです。「この求人に応募して」「買い物リストの商品をカートに入れて」といった自

PDFや画像を一瞬で構造化データに変換!100言語以上対応のAI文字認識エンジン — PaddleOCR

PaddlePaddle/PaddleOCRPython74.5k

PaddleOCRは、PDFや画像の中にある文字・表・数式・グラフなどを読み取り、MarkdownやJSON(コンピュータが扱いやすいデータ形式)に自動変換するツールです。100以上の言語に対応してお