اوپن سورس۔ نئے امکانات۔

WhisperLiveKit ایک self-hosted، ultra-low-latency speech-to-text pipeline ہے۔ یہ real-time transcription، speaker diarization، اور WebSocket اور OpenAI/Deepgram-compatible APIs کے ذریعے translation فراہم کرتا ہے۔

ChatMonteur ایک ایجنٹ-آرکسٹریٹڈ AI ویڈیو ایڈیٹر ہے جو ٹاکنگ-ہیڈ فوٹیج کے لیے ڈیزائن کیا گیا ہے۔ یہ Claude Code یا Codex کے ذریعے ٹرانسکرائب، معنی کے مطابق کٹنگ، کیپشنز، موشن گرافکس، ساؤنڈ اور کلر ایڈ کرتا ہے۔

ایک Python ٹول جو پہلے سے اجازت حاصل YouTube ویدیو کو چینی ساب ٹائٹلز میں本地化 کرتا ہے، اور B站 پر اپلوڈ کرنے میں مدد کرتا ہے؛ یہ speech transcription، OCR recognition، LLM translation اور hard subtitle rendering کو سپورٹ کرتا ہے۔

Voicebox ایک open-source، local-first AI voice studio ہے جو voice cloning، TTS، speech-to-text، global dictation، audio effects، MCP agent voice output، stories editor، captures اور REST API فراہم کرتا ہے۔

Magnetic ویندوز کے لیے مفت، اوپن‑سورس غیر لینیئر ویڈیو ایڈیٹر ہے جو מגناطیسی ٹائم لائن اور AI‑asisted ایڈٹنگ ٹولز کی خصوصیت فراہم کرتا ہے۔

وربا ایک آف لائن ڈیسک ٹاپ ایپ ہے جو زبان سیکھنے کے لیے AI کوچ کے ساتھ بات چیت پر مرکوز ہے۔ یہ مقامی طور پر Ollama یا اپنے فراہم کردہ کلید کے ساتھ چلتی ہے، جس میں ان لائن تصحیح، گریڈ شدہ مطالعہ، الفاظ کی تکرار اور اسپیچ فیچرز شامل ہیں۔

ایک آٹومیشن رنر جو ساتھی پیکیج Soenneker.Libraries.Whisper.CTranslate کے ذریعے شائع کردہ Windows executable کو اپ ٹو ڈیٹ رکھتا ہے، جو کہ شیڈول شدہ اور آن ڈیمانڈ GitHub Actions ورک فلو کے ذریعے چلتا ہے۔

LearnNote ایک لوکل-فرسٹ AI لرننگ اسسٹنٹ ہے جو Bilibili اور YouTube جیسی ویڈیوز اور مقامی PDF یا ویڈیوز کو سب ٹائٹلز یا ٹرانسکرپشن کے ذریعے منظم نوٹس میں تبدیل کرتا ہے، جس میں ویب ورک اسٹیشن کے ذریعے پڑھنے، ایڈٹ کرنے اور ایکسپورٹ کرنے کی سہولت موجود ہے۔

OpenAI کے Whisper automatic speech recognition (ASR) ماڈل کے لیے ایک اعلیٰ کارکردگی والا C/C++ implementation، جسے ہلکے پھلکے اور کراس پلیٹ فارم تعیناتی کے لیے ڈیزائن کیا گیا ہے۔

SkyClass Distill ایک ایسا پائپ لائن ٹول ہے جو تدریسی ویڈیوز کو منظم تدریسی مہارتوں (Teaching Skills) میں تبدیل کرتا ہے، جس میں ویڈیو کلیکشن، ٹرانسکرپشن، شواہد کی نکاسی اور LLM ڈسٹلیشن شامل ہیں۔

Xinference ایک متحد inference لائبریری ہے جو زبان، تقریر، اور ملٹی موڈل ماڈلز کی خدمت کرتی ہے۔ یہ OpenAI-مطابق RESTful API، متفاوت GPU/CPU استعمال، تقسیم شدہ تعیناتی فراہم کرتی ہے، اور LangChain، LlamaIndex، Dify، اور Chatbox کے ساتھ مربوط ہے۔

ایک براؤزر tab-based سب ٹائٹل ایڈیٹر جس میں ہر اسپیکر کے لیے الگ لین موجود ہے۔ یہ ٹرانسکرپشن سے لے کر تصحیح اور ایکسپورٹ تک کے عمل کو موثر بناتا ہے۔

by2kb ایک اوپن سورس ٹول ہے جو Bilibili اور YouTube جیسی پلیٹ فارمز سے ویڈیو URLs کو مستقل Markdown نوٹس میں بدلتا ہے، جس میں ٹرانسکرپٹس، خلاصے اور مطالعہ نوٹس شامل ہیں۔ یہ AI ایجنٹس اور مقامی/کلاؤڈ ASR کے لیے موزوں ہے۔

Whisper اور Gemini پر مبنی ایک AI ویڈیو ایڈیٹنگ ٹول جو تھائی اور انگریزی زبانوں کو سپورٹ کرتا ہے، جس میں GPU اور Docker کے ذریعے 3-4 گنا تیز رفتار پرفارمنس کے ساتھ کلیدی حصوں کی کٹنگ اور سب ٹائٹلنگ کی سہولت موجود ہے۔

CTranslate2 کا استعمال کرتے ہوئے OpenAI کے Whisper ماڈل کا ایک تیز رفتار ورژن، جو ٹرانسکرپشن کی رفتار میں بہتری اور میموری کے کم استعمال کی پیشکش کرتا ہے۔

Tandem ایک سیلف ہوسٹڈ سرور ہے جس کے ساتھ ویب اور Android کلائنٹس موجود ہیں، جو ای بک اور اس کی آڈیو بک کے درمیان ایک ہی ریڈنگ پوزیشن برقرار رکھتے ہیں۔ یہ Whisper کے ذریعے آڈیو بک کی ٹرانسکرپشن کرتا ہے اور اسے EPUB متن کے ساتھ جملہ بہ جملہ ہم آہنگ کرتا ہے۔

LazyEdit مواد کی تخلیق، پروسیسنگ اور اختیاری اشاعت کے لیے ایک لوکل-فرسٹ، AI-اسسٹڈ ویڈیو ورک فلو ہے۔