AI-bild, video och ljud · Tal till text på egen hårdvara
Portabel implementering av Whisper i C och C++ som transkriberar tal lokalt på CPU eller GPU utan Python-beroenden.
Betyg 73 av 100 Preliminär (källbaserad)
Läs bedömningenEnkel HTTP-server (whisper-server): POST /inference med WAV via multipart och POST /load, svarsformat text/JSON/SRT/VTT inklusive OpenAI-liknande verbose_json (README-tabellen beskriver den som 'HTTP transcription server with OAI-like API'). Det är ett enkelt överförings-API för ljudfiler, inte ett fullständigt REST-API eller programbibliotek på högre nivå — därav 'delvis'.
Kontrollerat:
Inget inbyggt eller officiellt MCP-stöd är belagt. Flera tredjeparts-MCP-servrar använder whisper.cpp som motor (t.ex. jwulff/whisper-mcp); underhållsstatusen hos dessa är inte verifierad.
Kontrollerat:
Totalbetyg
73 av 100
Preliminär (källbaserad)
MIT-licens verifierad i repots LICENSE ('Copyright (c) 2023-2026 The ggml authors') — OSI-godkänd och fri att drifta och redistribuera. Praktisk kontrollbegränsning: modellvikterna distribueras under OpenAI:s modelllicens och omfattas inte av MIT; den frågan ska bedömas separat från programvarulicensen (jämför katalogpostens licenstext).
Täcker transkriptionsfallet väl enligt README och exempelkod: CLI med språkval/översättning, tidsstämplar, kvantiserade modeller för svag hårdvara och en HTTP-server; bredd plattformsstöd och få beroenden. Mindre luckor: inget redigeringsgränssnitt för transkript och inget färdigt arbetsflöde för många samtidiga strömmar (katalogpostens begränsningar).
Utdata är standardfiler (text, JSON, SRT, VTT — verifierat i examples/server/server.cpp som stödjer response_format inklusive OpenAI-liknande verbose_json) och modellvikterna är GGML-filer som kan flyttas fritt mellan installationer. Det är filbaserad dataflytt snarare än ett komplett export-API, och t.ex. talardelning/avancerade format täcks inte fullt ut — därför 4.
Sedan 2022 (katalogpost), kontinuerliga utgåvor (v1.9.4/v1.9.5 med updated-datum 2026-10-06/07 i releases.atom), bred plattformssupport med CI-byggen och brett ekosystem av binädingar. Säkerhetspolicy och uppdateringspolicy inte verifierade mot oberoende källa, därför inte 5.
Väldokumenterat C-API (include/whisper.h, länkad i README), CLI med skriptbar automation och en enkel HTTP-server med OAI-liknande svarsformat (README-tabellrad för whisper-server). Agentintegration finns bara som tredjeparts-MCP-servrar; ingen inbyggd MCP/webhooks/SDK — därför 3 och inte 4.
Få beroenden och liten binär (katalogpostens styrkor), men införandet kräver att man själv kompilerar med CMake eller bygger en container, samt laddar rätt modellvikter. Tydligt dokumenterat (examples/server/README.md med fullständig flagglista) och hanterbart med normal IT-kompetens, men mer friktion än färdiga paket.
Licenskostnad 0 (MIT) och betydligt lägre hårdvarukrav än GPU-verktygen i gruppen: kvantiserade modeller kör på vanlig CPU (README). Antaganden: kostnaden består av CPU-tid, lagring för modellvikterna (flera GB per stor modell) och integrationsarbete (ingen färdig produkt med support); det senare kan bara beräknas av organisationen — därför 3.
Negativ kontroll: repots filträd (2 057 filer via trees-API, hämtat 2026-10-28) innehåller ingen locales-/i18n-katalog och dokumentationen är engelska. Ett svenskt belägg finns dock: verktyget stöder flerspråkiga Whisper-vikter med '-l/--language' och '-dl/--detect-language' (verifierat i examples/cli/cli.cpp och examples/server/server.cpp), så svensk transkription är tekniskt möjlig. Praktisk kvalitet för svenska är inte testad av oss — därför 2, inte 3.
whisper.cpp är en implementering av OpenaAI:s Whisper-modeller skriven i C och C++ utan Python- eller PyTorch-beroenden. Den kan transkribera ljud på en vanlig processor, på Apple Silicon eller på en GPU, och kompileras till en liten binär som kan köras på allt från en laptop till en server.
Projektet innehåller kommandoradsverktyg och en enkel server med HTTP-API, samt stöd för kvantiserade modeller som minskar minnesbehovet. Koden licensieras under MIT. Modellvikterna har OpenAI:s egen licens, vilket är en separat fråga från programvarulicensen.
6 skärmbilder. Välj en bild för att visa den i full storlek. Svep i sidled för fler.
AI-bild, video och ljud · Nodbaserat gränssnitt och lokalt inferensgränssnitt för generativ AI
ComfyUI är en nodbaserad motor för bild- och videogenerering, där diffusionsmodeller som Stable Diffusion och Flux kopplas ihop till körbara arbetsflöden.
AI-bild, video och ljud · Inferensmotor för bild- och videogenerering i ren C/C++ på ggml
Diffusionsmodeller i ren C/C++: kör Stable Diffusion, FLUX och Wan på CPU eller GPU, med kommandoradsverktyg, webbgränssnitt och HTTP-API i samma binär.
