Faster Whisper
基于 CTranslate2 的加速版 Whisper 语音转文字引擎，支持多种量化格式和 GPU 加速，提供高性能语音识别和转录能力
🎯适用场景：高性能语音识别和转录
📥 收录于 2026/5/31
📊 仓库数据
✅ 优点
- •比原始 Whisper 快 4 倍，显存占用降低
- •支持多种量化格式
⚠️ 限制
- •仅支持 x86_64 和 aarch64
- •CTranslate2 依赖增加部署复杂度
🔗 相关工具
sherpa-onnx
github.com/k2-fsa/sherpa-onnx
基于 ONNX 的多平台语音处理引擎，支持语音转文字（ASR）、文字转语音（TTS）、说话人分离、语音增强和 VAD 等功能，可在 Android/iOS/Raspberry Pi/嵌入式设备上运行。（12K+ stars）
🎯离线语音识别、嵌入式 TTS、语音助手后端、会议转录
Stable Diffusion WebUI
github.com/AUTOMATIC1111/stable-diffusion-webui
最流行的 Stable Diffusion Web UI，162,491+ stars。提供直观的图形界面，支持文生图、图生图、ControlNet、LoRA 微调、Inpainting 等核心功能，是 AI 图像生成领域的事实标准工具
🎯大模型微调与训练、多模态内容理解与生成
ComfyUI
github.com/comfyanonymous/ComfyUI
节点式 Diffusion 模型 GUI，109,363+ stars。基于节点的工作流编排，可视化连接各处理模块，是最强大的图像生成工作流工具，支持 SDXL、Flux、Stable Cascade 等最新模型
🎯AI 工作流编排与自动化、多模态内容理解与生成
OpenAI Whisper
github.com/openai/whisper
OpenAI 开源语音识别模型，99.9K+ stars。支持 99 种语言自动语音识别与翻译，可本地部署保护隐私，广泛用于会议转录、字幕生成等场景
🎯多语言语音转文字、音频转录、本地私有化语音识别
Deep Live Cam
github.com/hacksider/Deep-Live-Cam
实时人脸替换工具，91,252+ stars。仅需一张照片即可实现实时视频换脸和一键视频 Deepfake，基于 AI 视觉模型实现高精度面部替换。支持摄像头实时预览和离线视频处理，是 AI 换脸领域最受欢迎的开源项目。
🎯多模态内容理解与生成
OpenCV
github.com/opencv/opencv
开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。
🎯多模态内容理解与生成