音声対話

AI-Chatbox：ESP32S3ベースの音声テキストインテリジェント対話プロジェクト

AI-ChatboxはESP32S3開発ボードをベースにした音声対話プロジェクトです。ユーザーが音声でビッグモデル（LLM）に話しかけると、デバイスが音声をテキストに変換してビッグモデルに送信し、回答を得た後、さらに音声放送に変換することができます。このプロジェクトはRust言語を使って開発され、Vosk音声認識ワーカーと統合されています。

TEN: リアルタイムのマルチモーダル音声AIインテリジェンスを構築するオープンソースツール

TEN Frameworkは、開発者がリアルタイム、マルチモーダル、低遅延の音声AIインテリジェンスを構築することを支援することに重点を置いたオープンソースソフトウェアプラットフォームです。C, C++, Go, Python, JavaScript, TypeScriptを含む複数のプログラミング言語をサポートしています。開発者はTEN Frameworkを使用することで、スピーチ、ビジョン、AIインテリジェンスを素早く作成することができます。

Zaia Health：健康習慣をモニターし改善するAI音声アシスタント

Zaia Healthは、Zaiaと呼ばれる音声アシスタントを中心とした人工知能健康アプリである。 このアプリは、ユーザーが健康習慣に集中し、改善するのを助けるように設計されている。 このアプリは、音声対話を通じて、睡眠、運動、栄養、精神面など、個人的な健康コンパニオンとしてユーザーを導きます。

wukong-robot：パーソナライズされた中国語の音声対話を実現するスマート・スピーカー・プロジェクト

wukong-robotはオープンソースの中国語音声対話ロボットおよびスマートスピーカープロジェクトで、開発者がパーソナライズされたスマートスピーカーを迅速に構築できるように設計されています。中国語の音声認識、音声合成、多ラウンド対話機能をサポートし、ChatGPT、Baidu、KDDIなどの技術と統合されています。このプロジェクトはモジュール式に設計されており、...

リアルタイムボイスチャット

RealtimeVoiceChatは、音声を介した人工知能とのリアルタイムで自然な会話に特化したオープンソースプロジェクトである。ユーザーはマイクを使って音声を入力し、システムはブラウザを通して音声をキャプチャし、素早くテキストに変換し、大規模言語モデル（LLM）から返答を生成し、テキストを音声出力に変換する。

gibberlink：2つのAI知能間の効率的な音声通信のための実証プロジェクト

gibberlinkは、開発者PennyroyalTeaによるGitHub上のオープンソースプロジェクトで、2つの会話型AI知能間の最適化されたコミュニケーションを可能にすることに焦点を当てている。2つのAIが電話で会話し、お互いをAIとして認識すると、人間の言葉（英語）から...

OpenAIリアルタイムエージェント

OpenAI Realtime Agentsは、OpenAIのリアルタイムAPIを使用して、マルチインテリジェントボディスピーチアプリケーションを構築する方法を示すことを目的としたオープンソースプロジェクトです。OpenAI Swarmから借用した）ハイレベルなインテリジェントボディモデルを提供することで、開発者は複雑なマルチインテリジェントボディスピーチシステムを短時間で構築することができます。このプロジェクトは ...

保釈

バイリン（Bailing）は、音声を通じてユーザーと自然な対話を行うように設計されたオープンソースの音声対話アシスタントである。このプロジェクトでは、音声認識（ASR）、音声活動検出（VAD）、大規模言語モデル（LLM）、音声合成（TTS）の技術を組み合わせて、GPT-4oに似た音声対話ロボットを実装しています。

「常時稼働のDeepseek AIアシスタント：Deepseek-V3に基づくインテリジェントな音声対話システムの構築

Always-On AI Assistantは、Deepseek-V3、RealtimeSTT、Typerなどの先進技術を統合し、強力で永続的なオンラインAIアシスタントシステムを構築する革新的なAIアシスタントプロジェクトです。このプロジェクトは、特にエンジニアリング開発シナリオに最適化されており、完全な...

シャオジーAIチャットボット

Xiaozhi AI Chatbotは、ESP32開発ボードをベースにしたオープンソースプロジェクトで、ユーザーが独自のAIチャットコンパニオンを構築できるように設計されています。このプロジェクトはShrimpによって開発され、より多くの人々がAIハードウェア開発を始め、大きな言語モデルを実際のハードウェア・デバイスに適用する方法を理解するための教育目的で主に使用されています。プロジェクト ...

フィッシュエージェント

フィッシュ・スピーチ派生プロジェクト フィッシュ・エージェントは、V0.1 3Bモデル・アーキテクチャに基づいて開発された、革命的なエンド・ツー・エンドのAI音声クローニング・システムです。完全なエンドツーエンドの音声クローニング処理システムとして、その最大の特徴は、革新的なセマンティックタグレスアーキテクチャ設計を採用していることです。

いちご（llama3-s）

Ichigoはオープンソースのリアルタイム音声AIプロジェクトで、テキストベースの言語モデルをネイティブの「聞き取り」機能で拡張することを目的としている。このプロジェクトは、MetaのChameleon論文にインスパイアされた初期のフュージョン技術を使用している。Ichigoの目標は、オープンソースデータ、オープンソース重み付けネイティブデバイススピーチ...

Hume AI: 感情認識でAIを強化する｜音と表情から感情を認識する｜感情のある音声を生成する

ヒュームAIは感情知能に特化したAI企業で、人間の感情を理解し、それに反応するマルチモーダルAI技術を開発している。同社の主力製品であるEmpathic Voice Interface（EVI）は、音声、表情、言語など様々な形でユーザーの感情を認識し、反応することができる。