RealtimeSTT
Bibliothèque de transcription vocale à faible latence avec détection d'activité vocale et mots d'activation.
Créez des assistants vocaux, des outils de dictée et des serveurs de streaming avec un code minimal.
RealtimeSTT est une bibliothèque Python offrant la détection d'activité vocale, une transcription rapide et l'activation par mot clé. Elle convient aux développeurs qui créent des applications vocales interactives ou des serveurs de streaming personnalisés.
Qu'est-ce que c'est
La bibliothèque capture les flux audio, détecte la parole à l'aide de WebRTC ou Silero VAD et transcrit l'audio via des moteurs tels que faster-whisper ou sherpa-onnx. Elle prend en charge la détection optionnelle de mots d'activation via Porcupine ou OpenWakeWord et comprend un serveur FastAPI de production pré-intégré.
Pour qui
Elle convient aux développeurs Python qui créent des interfaces vocales locales, des logiciels de dictée ou des backends de streaming pour navigateurs. Elle ne convient pas aux équipes recherchant des piles non-Python ou des configurations sans dépendance, car elle nécessite des pilotes audio et des modèles de machine learning lourds.
Fonctionnalités clés
Détection d'activité vocale
Détecte la parole automatiquement à l'aide de WebRTC VAD et Silero VAD.
Activation par mot clé
Prend en charge le déclenchement optionnel par mot clé via Porcupine ou OpenWakeWord.
Prise en charge de plusieurs moteurs
Fonctionne sur faster-whisper, sherpa-onnx, Moonshine et d'autres backends sélectionnables.
Serveur FastAPI de production
Comprend un serveur distant optionnel avec des points de terminaison HTTP et WebSocket versionnés.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Fournit une entrée microphone directe ou des blocs audio externes fournis par l'application.
- Comprend un serveur FastAPI de production prêt à l'emploi avec isolation de session et authentification.
- Prend en charge les pipelines de streaming optimisés pour CPU utilisant les modèles sherpa-onnx.
- Offre des rappels d'événements pour l'enregistrement, le VAD, le texte en temps réel et les états de mots d'activation.
Ses limites
- Nécessite des dépendances système spécifiques à la plateforme telles que les en-têtes PortAudio sur Linux et macOS.
- Les modèles de machine learning lourds exigent des ressources de calcul locales importantes ou du matériel GPU.
- Python 3.13 et les versions ultérieures ne sont pas encore pris en charge comme cibles de publication.
Tarifs & licence
Gratuit sous licence MIT. Aucune option hébergée payante n'est mentionnée dans le dépôt, le seul coût réside donc dans l'exécution du matériel et des modèles par vos soins.
Missions pour francophones
874 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Utilisez-le, ou laissez-nous l'installer
FAQ
Comment injecter de l'audio provenant d'un fichier externe ou d'un flux au lieu d'un microphone ?
Initialisez l'enregistreur avec `use_microphone=False` et injectez des blocs PCM mono 16 bits à l'aide de `feed_audio()`.
Puis-je exécuter RealtimeSTT sur un serveur de production fonctionnant uniquement sur CPU ?
Oui, le README recommande d'associer sherpa-onnx-nemotron pour les hypothèses en direct avec sherpa-onnx-nemo-parakeet pour les transcriptions finales sur CPU.
