产品库

将电子书转换为有声书的工具。

Audiblez是一个利用Kokoro高质量语音合成技术，将普通电子书（.epub格式）转换为.m4b格式有声书的工具。它支持多种语言和声音，用户可以通过简单的命令行操作完成转换，极大地丰富了电子书的阅读体验，尤其适合在开车、运动等不方便阅读的场景下使用。该工具由Claudio Santini在2025年开发，遵循MIT许可证免费开源。

EasyWeb是一个用于构建和部署与浏览器交互的AI代理的开放平台。

EasyWeb是一个基于AI的开放平台，专注于构建和部署能够与浏览器交互的智能代理。它通过提供一个简单易用的界面，让用户能够快速部署AI代理来完成各种浏览器相关任务，如旅行规划、在线购物和新闻收集等。该平台基于OpenHands架构，支持并行处理多个用户请求，并允许用户根据需要切换不同的代理和LLM（大型语言模型）。其主要优点包括部署简单、使用方便、支持多种任务类型，并且完全开源，适合开发者和研究人员进行二次开发和研究。EasyWeb的出现为AI在自动化任务中的应用提供了新的可能性，同时也为相关领域的研究和开发提供了有力的支持。

基于Kokoro和ONNX运行时的文本到语音（TTS）项目。

kokoro-onnx是一个基于Kokoro模型和ONNX运行时的文本到语音（TTS）项目。它支持英语，并计划支持法语、日语、韩语和中文。该模型在macOS M1上具有接近实时的快速性能，并提供多种声音选择，包括耳语。模型轻量级，约为300MB（量化后约为80MB）。该项目在GitHub上开源，采用MIT许可证，方便开发者集成和使用。

开源的ComfyUI桌面客户端，适用于Windows和macOS。

ComfyUI Desktop是一个开源的桌面客户端，旨在为用户提供更稳定和高效的工作环境。它支持Windows和macOS，适合需要图形用户界面的开发者和设计师。该产品在测试阶段持续改进，用户可以期待每日更新。其主要定位是为用户提供一个集成的工作流管理工具，帮助用户更高效地完成任务。

一款文本转语音工具，帮助您轻松阅读文本。

Praises是一款文本转语音（TTS）工具，它通过将文本转换为语音输出，帮助用户更轻松地获取信息。这款工具支持多种API，包括Azure API、Edge API等，并且支持多语言，使得它能够服务于全球用户。Praises的主要优点包括支持多种语音合成技术、易于集成和使用，以及开源的特性，使得开发者可以自由地修改和优化。Praises的背景信息显示，它是由个人开发者ElmTran开发的，并且遵循MIT开源协议，这意味着用户可以免费使用和修改该软件。

开源多模态大型语言模型，支持实时语音输入和流式音频输出。

Mini-Omni是一个开源的多模态大型语言模型，能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能，无需额外的ASR或TTS模型。此外，它还可以在思考的同时进行语音输出，支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。

开源的语音到语音转换模块

speech-to-speech 是一个开源的模块化GPT4-o项目，通过语音活动检测、语音转文本、语言模型和文本转语音等连续部分实现语音到语音的转换。它利用了Transformers库和Hugging Face hub上可用的模型，提供了高度的模块化和灵活性。

自然交互的语音理解和生成基础模型

FunAudioLLM是一个旨在增强人类与大型语言模型(Large Language Models, LLMs)之间自然语音交互的框架。它包含两个创新模型：SenseVoice负责高精度多语种语音识别、情绪识别和音频事件检测；CosyVoice负责自然语音生成，支持多语种、音色和情绪控制。SenseVoice支持超过50种语言，具有极低的延迟；CosyVoice擅长多语种语音生成、零样本上下文生成、跨语言语音克隆和指令跟随能力。相关模型已在Modelscope和Huggingface上开源，并在GitHub上发布了相应的训练、推理和微调代码。

自然对话场景下的文字转语音模型

ChatTTS是一个为对话场景设计的声音生成模型，特别适用于大型语言模型助手的对话任务，以及对话式音频和视频介绍等应用。它支持中英文，通过使用约10万小时的中英文数据训练，展现出高质量和自然度的语音合成能力。

开源文本转语音系统

Whisper Speech是一款完全开源的文本转语音模型，由Collabora和Lion在Juwels超级计算机上训练。它支持多种语言和多种形式的输入，包括Node.js、Python、Elixir、HTTP、Cog和Docker。该模型的优势在于高效的语音合成和灵活的部署方式。定价方面，Whisper Speech完全免费。它定位于为开发者和研究人员提供一个强大的、可定制的文本转语音解决方案。

真实的文本转语音技术

Crikk是一款价格实惠的强大文本转语音工具，支持56种语言，提供真实的语音合成技术。无论是用于语音播报、有声书还是教育，Crikk都能为用户提供高质量的声音合成。用户可以选择免费试用或者采用月费20美元的专业版，月额度为500,000个字符，拥有6种不同的声音和56种语言。此外，Crikk还将推出移动应用，实现图片或PDF的文字转语音。Monster Incorporation Inc.位于Delaware，United States。

用AI生成任何主题的电子书和有声书

eBookerAI是一个使用人工智能，在几分钟内生成任何主题电子书和有声书的平台。它具有自动生成电子书和有声书的功能，用户可以使用WYSIWYG编辑器进行细化编辑，支持多种语言，并可生成多种格式的电子书和有声书。

Huginn-0125是一个35亿参数的潜变量循环深度模型，擅长推理和代码生成。

Huginn-0125是一个由马里兰大学帕克分校Tom Goldstein实验室开发的潜变量循环深度模型。该模型拥有35亿参数，经过8000亿个token的训练，在推理和代码生成方面表现出色。其核心特点是通过循环深度结构在测试时动态调整计算量，能够根据任务需求灵活增加或减少计算步骤，从而在保持性能的同时优化资源利用。该模型基于开源的Hugging Face平台发布，支持社区共享和协作，用户可以自由下载、使用和进一步开发。其开源性和灵活的架构使其成为研究和开发中的重要工具，尤其是在资源受限或需要高性能推理的场景中。

Gen AI Toolbox for Databases 是一个开源服务器，用于简化与数据库交互的 Gen AI 工具的开发。

Gen AI Toolbox for Databases 是一个开源工具，旨在帮助开发者更轻松、快速且安全地构建与数据库交互的生成式 AI 工具。它通过处理连接池、身份验证等复杂性，简化了工具的开发和部署过程。该工具支持多种数据库，包括 AlloyDB、Cloud SQL、MySQL、PostgreSQL 等，并提供端到端的可观测性支持，如 OpenTelemetry 集成。它适用于需要高效开发和安全访问数据库的应用场景，目前是免费开源的。

On-device Sora 是一个基于扩散模型的移动设备端文本到视频生成项目。

On-device Sora 是一个开源项目，旨在通过线性比例跳跃（LPL）、时间维度标记合并（TDTM）和动态加载并发推理（CI-DL）等技术，实现在移动设备（如 iPhone 15 Pro）上高效的视频生成。该项目基于 Open-Sora 模型开发，能够根据文本输入生成高质量视频。其主要优点包括高效性、低功耗和对移动设备的优化。该技术适用于需要在移动设备上快速生成视频内容的场景，如短视频创作、广告制作等。项目目前开源，用户可以免费使用。

将PDF转换为音频内容，打造个性化的AI有声读物。

NVIDIA的PDF to Podcast Blueprint是一种基于生成式AI的应用程序，能够将PDF文档（如培训资料、技术研究或文档）转换为个性化的音频内容。该技术利用大型语言模型（LLMs）、文本到语音（TTS）技术以及NVIDIA NIM微服务，将PDF数据转换为引人入胜的音频内容，帮助用户在移动中学习，同时解决信息过载的问题。该解决方案完全基于NVIDIA的云基础设施运行，无需本地GPU硬件，确保隐私合规性，并可根据用户需求定制品牌、分析、实时翻译或数字人界面等功能。

开源工业级自动语音识别模型，支持普通话、方言和英语，性能卓越。

FireRedASR-AED-L 是一个开源的工业级自动语音识别模型，专为满足高效率和高性能的语音识别需求而设计。该模型采用基于注意力的编码器-解码器架构，支持普通话、中文方言和英语等多种语言。它在公共普通话语音识别基准测试中达到了新的最高水平，并且在歌唱歌词识别方面表现出色。该模型的主要优点包括高性能、低延迟和广泛的适用性，适用于各种语音交互场景。其开源特性使得开发者可以自由地使用和修改代码，进一步推动语音识别技术的发展。

开源的工业级普通话自动语音识别模型，支持多种应用场景。

FireRedASR 是一个开源的工业级普通话自动语音识别模型，采用 Encoder-Decoder 和 LLM 集成架构。它包含两个变体：FireRedASR-LLM 和 FireRedASR-AED，分别针对高性能和高效能需求设计。该模型在普通话基准测试中表现出色，同时在方言和英文语音识别上也有良好表现。它适用于需要高效语音转文字的工业级应用，如智能助手、视频字幕生成等。模型开源，便于开发者集成和优化。

基于 PyTorch 的音乐、歌曲和音频生成工具包，支持高质量音频生成

InspireMusic 是一个专注于音乐、歌曲和音频生成的 AIGC 工具包和模型框架，采用 PyTorch 开发。它通过音频标记化和解码过程，结合自回归 Transformer 和条件流匹配模型，实现高质量音乐生成。该工具包支持文本提示、音乐风格、结构等多种条件控制，能够生成 24kHz 和 48kHz 的高质量音频，并支持长音频生成。此外，它还提供了方便的微调和推理脚本，方便用户根据需求调整模型。InspireMusic 的开源旨在赋能普通用户通过音乐创作提升研究中的音效表现。

与您的应用程序进行自然语言交互，提升工作效率和便捷性。

Concierge AI 是一款通过自然语言与应用程序交互的产品，它利用先进的自然语言处理技术，让用户能够以更直观、更便捷的方式与各种应用程序进行沟通和操作。这种技术的重要性在于它能够打破传统界面操作的限制，让用户以更自然表达的方式需求，从而提高工作效率和用户体验。产品目前处于推广阶段，具体价格和详细定位尚未明确，但其目标是为用户提供一种全新的交互方式，以满足现代工作环境中对效率和便捷性的高要求。

一款免费的Chrome扩展程序，可隐藏LinkedIn中包含特定关键词的帖子。

FilterIn是一款针对LinkedIn用户的Chrome扩展程序，旨在帮助用户过滤掉不感兴趣的帖子内容。它通过关键词过滤技术，让用户能够自定义隐藏包含特定关键词的帖子，从而优化LinkedIn的信息流体验。该产品的主要优点是简单易用、完全免费，并且能够有效减少用户在浏览LinkedIn时遇到的重复或无关信息。其背景是基于用户对LinkedIn信息过载的困扰而开发，旨在提升用户的信息获取效率。

Zonos-v0.1-hybrid 是一款领先的开源文本转语音模型，能够提供高质量的语音合成服务。

Zonos-v0.1-hybrid 是由 Zyphra 开发的一款开源文本转语音模型，它能够根据文本提示生成高度自然的语音。该模型经过大量英语语音数据训练，采用 eSpeak 进行文本归一化和音素化，再通过变换器或混合骨干网络预测 DAC 令牌。它支持多种语言，包括英语、日语、中文、法语和德语，并且可以对生成语音的语速、音调、音频质量和情绪等进行精细控制。此外，它还具备零样本语音克隆功能，仅需 5 到 30 秒的语音样本即可实现高保真语音克隆。该模型在 RTX 4090 上的实时因子约为 2 倍，运行速度较快。它还配备了易于使用的 gradio 界面，并且可以通过 Docker 文件简单安装和部署。目前，该模型在 Hugging Face 上提供，用户可以免费使用，但需要自行部署。

本地运行的AI模型训练与部署工具，支持个性化训练和多平台使用。

Kolosal AI 是一款用于本地设备训练和运行大型语言模型（LLMs）的工具。它通过简化模型训练、优化和部署流程，使用户能够在本地设备上高效地使用 AI 技术。该工具支持多种硬件平台，提供快速的推理速度和灵活的定制能力，适合从个人开发者到大型企业的广泛应用场景。其开源特性也使得用户可以根据自身需求进行二次开发。

Atwork 是一个无代码工作操作系统，用于高效的工作流程管理。

Atwork 是一款专注于提升团队工作效率的无代码工作操作系统。它通过灵活的数据管理、智能表格、自动化工作流等功能，帮助企业和团队简化复杂的业务流程，提高生产力。Atwork 的主要优点在于其高度的可定制性、无需编程技能即可快速搭建和调整工作流程，以及强大的协作功能。它适用于各种行业，无论是小型团队还是大型企业，都能通过 Atwork 实现高效的工作管理。Atwork 提供免费的基础版本，同时也有付费的高级功能，满足不同用户的需求。

Tana 是一个 AI 原生工作空间，帮助用户高效管理知识和任务。

Tana 是一款基于 AI 的知识管理和生产力工具，旨在通过智能标签、语音备忘录等功能，帮助用户将笔记转化为任务、项目或其他形式的内容。它强调灵活性和自动化，减少用户手动整理信息的工作量，提高工作效率。Tana 的主要优点包括强大的 AI 驱动功能、高度可定制化以及对个人和团队的广泛适用性。该产品定位为知识工作者和团队，提供从个人使用到企业协作的多种解决方案，价格策略包括免费试用和付费订阅。

将网页、PDF或图片转化为引人入胜的播客，随时随地轻松聆听。

Sonofa 是一款基于人工智能技术的产品，能够将各种形式的阅读内容（如网页、PDF文件、图片中的文字）转化为播客形式的音频内容。这种技术利用了先进的文本转语音（TTS）和自然语言处理（NLP）能力，将文字内容转化为自然流畅的语音，让用户能够在不阅读的情况下获取信息。该产品的主要优点是极大地提高了信息获取的灵活性和效率，尤其适合那些在通勤、锻炼或休闲时无法阅读的人群。Sonofa 的背景信息显示，它旨在通过创新的方式帮助用户更好地利用碎片化时间，提升个人学习和工作效率。目前，Sonofa 提供的服务可能是基于订阅模式的付费服务，具体价格和定位尚未明确。

RAG-FiT是一个用于提升LLMs利用外部信息能力的库，通过特别创建的RAG增强数据集对模型进行微调。

RAG-FiT是一个强大的工具，旨在通过检索增强生成（RAG）技术提升大型语言模型（LLMs）的能力。它通过创建专门的RAG增强数据集，帮助模型更好地利用外部信息。该库支持从数据准备到模型训练、推理和评估的全流程操作。其主要优点包括模块化设计、可定制化工作流以及对多种RAG配置的支持。RAG-FiT基于开源许可，适合研究人员和开发者进行快速原型开发和实验。

s1是一个基于Qwen2.5-32B-Instruct微调的推理模型，仅用1000个样本进行训练。

s1是一个推理模型，专注于通过少量样本实现高效的文本生成能力。它通过预算强制技术在测试时进行扩展，能够匹配o1-preview的性能。该模型由Niklas Muennighoff等人开发，相关研究发表在arXiv上。模型使用Safetensors技术，具有328亿参数，支持文本生成任务。其主要优点是能够通过少量样本实现高质量的推理，适合需要高效文本生成的场景。

LLaSA： 扩展基于 LLaMA 的语音合成的训练时间和测试时间计算量

LLaSA_training 是一个基于 LLaMA 的语音合成训练项目，旨在通过优化训练时间和推理时间的计算资源，提升语音合成模型的效率和性能。该项目利用开源数据集和内部数据集进行训练，支持多种配置和训练方式，具有较高的灵活性和可扩展性。其主要优点包括高效的数据处理能力、强大的语音合成效果以及对多种语言的支持。该项目适用于需要高性能语音合成解决方案的研究人员和开发者，可用于开发智能语音助手、语音播报系统等应用场景。

Heron的AI技术可自动化处理文档密集型工作，提升工作效率。

Heron是一款专注于自动化文档处理的生产力工具。它通过先进的AI技术，能够快速接收、分类、解析和同步文档数据，直接将结构化数据同步到用户的CRM系统中。Heron的主要优点包括高效的数据处理能力、强大的机器学习支持以及与现有业务流程的无缝集成。该产品主要面向需要处理大量文档的中小企业融资、法律、保险等行业，旨在帮助用户节省时间、降低成本并提高决策效率。Heron的定价策略灵活，具体价格根据客户需求定制，适合希望通过技术提升工作效率的企业。