产品库

Android平台上的私有、设备端语音识别键盘和文字服务

Transcribro是一款运行在Android平台上的私有、设备端语音识别键盘和文字服务应用，它使用whisper.cpp来运行OpenAI Whisper系列模型，并结合Silero VAD进行语音活动检测。该应用提供了语音输入键盘，允许用户通过语音进行文字输入，并且可以被其他应用显式使用，或者设置为用户选择的语音转文字应用，部分应用可能会使用它来进行语音转文字。Transcribro的背景是为用户提供一种更安全、更私密的语音转文字解决方案，避免了云端处理可能带来的隐私泄露问题。该应用是开源的，用户可以自由地查看、修改和分发代码。

一键AI变身、发型、穿搭，发现更美的自己

MagicMirror是一款利用人工智能技术的桌面客户端应用，它能够让用户通过简单的拖拽照片，一键实现变身、换发型和穿搭的效果。这款应用的设计理念是简单易用，无需复杂的设置，也不需要高端的GPU硬件支持。MagicMirror强调隐私保护，所有处理完全在本地进行，不涉及云端处理，确保用户数据的安全。此外，它的安装包体积小，模型文件也轻便，便于用户下载和使用。MagicMirror的主要优点包括简单易用、硬件要求低、隐私保护、轻量级以及开源，这些都是它在图像处理领域中的重要优势。

人脸匿名化技术，保留关键细节同时有效保护隐私。

face_anon_simple是一个人脸匿名化技术，旨在通过先进的算法在保护个人隐私的同时保留原始照片中的面部表情、头部姿势、眼神方向和背景元素。这项技术对于需要发布包含人脸的图片但又希望保护个人隐私的场合非常有用，比如在新闻报道、社交媒体和安全监控等领域。产品基于开源代码，允许用户自行部署和使用，具有很高的灵活性和应用价值。

Najva：您的AI驱动的Mac语音助手，将语音快速转换为文本。

Najva是一款专为Mac设计的AI驱动的语音助手，它结合了先进的本地语音识别技术和强大的AI模型，将您的语音转换成智能文本。这款应用特别适合那些思维速度比打字速度快的用户，如作家、开发者、医疗专业人员等。Najva以其轻量级、原生Swift应用、零追踪和完全免费等特点，为用户提供了一个注重隐私和效率的工作流程解决方案。

开源的语音识别和说话人分割模型推理代码

Reverb 是一个开源的语音识别和说话人分割模型推理代码，使用 WeNet 框架进行语音识别 (ASR) 和 Pyannote 框架进行说话人分割。它提供了详细的模型描述，并允许用户从 Hugging Face 下载模型。Reverb 旨在为开发者和研究人员提供高质量的语音识别和说话人分割工具，以支持各种语音处理任务。

极速语音识别，精准时间戳

OmniSenseVoice是基于SenseVoice优化的语音识别模型，专为快速推理和精确时间戳设计，提供更智能、更快速的音频转录方式。

无审查限制的AI模型平台

FreedomGPT是一个提供多种AI模型的平台，包括无审查限制的模型，用户可以在一个熟悉的界面中轻松切换开源和专有模型。它允许用户在浏览器或直接在计算机上运行这些模型，无需注册，无需技术专长。此外，它还支持离线使用，保证了用户隐私和数据安全。FreedomGPT还提供了一个开放源代码的AI平台，鼓励社区成员共同参与构建。

使用AI技术，快速总结网站法律政策。

DocDecoder是一款Chrome浏览器插件，利用GPT-4技术，为用户提供网站法律政策的清晰、简洁摘要。它通过颜色编码直观地突出显示对用户有实际影响的条款，包括积极、消极和中性影响。用户可以输入任何法律政策的URL，DocDecoder会告诉用户它如何影响他们。此外，它还标记出潜在有害的条款，并允许用户无限次查看现有的摘要。DocDecoder旨在帮助用户快速理解他们在网上实际同意的内容。

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。

基于大型语言模型的高性能MacOS聊天应用

ChatMLX是一款现代、开源、高性能的MacOS聊天应用程序，基于大型语言模型构建。它利用MLX的强大性能和苹果硅芯片，支持多种模型，为用户提供丰富的对话选择。ChatMLX在本地运行大型语言模型，以确保用户隐私和安全。

个性化AI助手，记录每一刻，与AI对话获取反馈。

OMI APP是一个任务驱动的个性化AI助手，旨在通过语音和音频转录功能帮助用户提高记忆力和沟通效率。它是一个开源的AI记事本，提供提醒、建议等功能，同时注重用户隐私。

与大型语言模型进行自然的语音对话

OpenVoiceChat是一个开源项目，旨在提供一个与大型语言模型（LLM）进行自然语音对话的平台。它支持多种语音识别（STT）、文本到语音（TTS）和LLM模型，允许用户通过语音与AI进行交互。项目采用Apache-2.0许可，强调开放性和易用性，目标是成为封闭商业实现的开源替代品。

全球首款个人数据导出器

Surfer是一款创新的个人数据导出器，它允许用户将个人数据从在线服务中导出并存储在本地，确保数据的安全性和隐私性。作为一款开源软件，Surfer支持多种操作系统，包括Windows和Mac，为用户提供了一种自主管理个人数据的方式。未来将与 LangChain 等其他代理框架集成，打造高级个人人工智能助理。

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。

300行代码实现基于LLM的语音转录。

WeST是一个开源的语音识别转录模型，以300行代码的简洁形式，基于大型语言模型（LLM）实现语音到文本的转换。它由一个大型语言模型、一个语音编码器和一个投影器组成，其中仅投影器部分可训练。WeST的开发灵感来源于SLAM-ASR和LLaMA 3.1，旨在通过简化的代码实现高效的语音识别功能。

AI驱动的内容创作引擎，开源替代方案。

OpenPlexity Pages是一个由AI驱动的内容创作引擎，旨在将您的研究转化为视觉吸引、全面的内容。它是一个开源的替代品，与Perplexity Pages不同，它完全开源，允许社区贡献和定制。它注重隐私，数据本地运行，保证您的研究和内容保持私密。此外，它还具有可定制性，可以调整内容的语调以吸引目标受众，从普通读者到主题专家。它还具有适应性，可以轻松修改文章的结构，添加、重新排列或删除部分以最好地适应您的材料。

智能隐私优先的邮件写作助手

Proton Scribe是一个集成在Proton Mail中的智能写作助手，它以隐私优先，可以帮助用户撰写和润色邮件草稿，节省撰写邮件的时间，同时保护最敏感、最有价值的数据。Proton Scribe设计为本地运行，确保用户数据不会离开设备。Proton一直致力于研究保护隐私的AI技术，并在2023年推出了Proton Sentinel，这是第一个利用AI提供增强账户保护的功能。Proton Scribe也是开源的，可以进行独立的安全和隐私审计。

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。

功能齐全的翻译解决方案，保护隐私。

Linguist Translate是一个注重隐私保护的翻译插件，提供离线翻译功能，不发送任何私人信息，确保用户隐私安全。它支持全页翻译，用户可以快速翻译整篇文章，同时支持自定义翻译服务。此外，它还允许用户保存翻译历史，创建个人知识库，非常适合语言学习者和需要翻译服务的旅行者。

无AI干扰的谷歌搜索页面

&udm=14的AI-Free Search是一个提供无AI干扰的谷歌搜索服务的网站，允许用户在没有人工智能干预的情况下进行搜索。它使用'udm=14'参数来实现这一点，旨在保护用户的隐私，同时提供快速、准确的搜索结果。该网站由Tedium团队构建，支持开源代码，用户可以通过Glitch或Github获取。

实时字幕生成工具

BeMyEars 是一款实时字幕生成工具，利用本地设备完成语音识别，为听障人士和需要字幕的用户提供极致体验。其主要优点包括多语言支持、多源输入、隐私保护等。

一个快速、轻量级的开源聊天界面。

lluminous是一个快速、轻量级的开源聊天界面，支持多供应商API密钥，提供完整的隐私保护，所有对话历史和密钥都存储在本地。它支持多模态输入、多轮对话提示、预填充响应、模型切换以及对话分享等功能。

开源、精准、方便的视频切片工具

FunClip是一款完全开源、本地部署的自动化视频剪辑工具，通过调用阿里巴巴通义实验室开源的FunASR Paraformer系列模型进行视频的语音识别，随后用户可以自由选择识别结果中的文本片段或说话人，点击裁剪按钮即可获取对应片段的视频。FunClip集成了阿里巴巴开源的工业级模型Paraformer-Large，是当前识别效果最优的开源中文ASR模型之一，并且能够一体化的准确预测时间戳。

利用AI技术，快速高效地从您的图片中移除背景。

AI-Powered Background Removal（AI驱动的背景移除）是一款基于AI技术的在线工具，它能够快速且高效地从用户上传的图片中移除背景。该工具的主要优点在于其隐私保护和本地执行能力，即图片处理在用户设备上完成，无需上传至互联网，保证了数据的安全性和处理速度。此外，作为一款开源且完全免费的工具，它极大地释放了用户的创造力，无需担心成本问题。

为LTX视频模型提供额外控制的ComfyUI节点集合

ComfyUI-LTXTricks是一个为LTX视频模型提供额外控制的ComfyUI节点集合。它通过实现RF-Inversion和RF-Solver-Edit等技术，允许用户对视频内容进行更精细的操作和编辑。该产品背景信息显示，它是基于开源项目构建的，拥有活跃的社区支持，并且遵循GPL-3.0许可证。产品的主要优点包括无需额外安装包、提供丰富的示例工作流以及支持多种视频编辑技术。

一键生成多语言翻译的项目工具，由Azure AI服务支持。

Co-op Translator是一个Python包，旨在使用Azure AI服务自动化您的项目中的多语言翻译。该项目通过集成先进的大型语言模型（LLM）技术和Azure AI服务，简化了将内容翻译成多种语言的过程，使开发者能够轻松地生成组织良好的翻译文件夹，并轻松翻译Markdown文件和图像。

AI驱动的开源笔记/研究平台，尊重您的隐私。

Open Notebook是一个结合了人工智能的强大开源笔记和研究平台，专为研究人员、学生和专业人士设计，旨在增强他们的学习和能力，同时完全控制工作流程、模型以及数据的使用和暴露。该产品代表了一种新型的隐私保护学习工具，它通过AI技术帮助用户整理笔记、生成播客和深入理解学习内容，同时确保用户的数据隐私不受侵犯。Open Notebook的背景信息显示，它是一个开源项目，鼓励社区参与和贡献，以构建一个能够个性化辅助每个人发展的智能伙伴。

AI助手，本地化、个性化、高隐私。

Pulsar是由AstraMind开发的创新应用，旨在直接在个人设备上高效管理和运行高级语言模型，完全消除了分享个人数据的担忧。它允许用户创建高度个性化的、跨学科的AI助手，用于对话，同时保持对数据的完全隐私和控制。Pulsar支持Linux、Windows和Mac系统，并且即将支持Android和iOS。

实时端到端自动驾驶的截断扩散模型

DiffusionDrive是一个用于实时端到端自动驾驶的截断扩散模型，它通过减少扩散去噪步骤来加快计算速度，同时保持高准确性和多样性。该模型直接从人类示范中学习，无需复杂的预处理或后处理步骤，即可实现实时的自动驾驶决策。DiffusionDrive在NAVSIM基准测试中取得了88.1 PDMS的突破性成绩，并且能够在45 FPS的速度下运行。

高效率的高分辨率图像合成框架

Sana是一个文本到图像的框架，能够高效生成高达4096×4096分辨率的图像。它以极快的速度合成高分辨率、高质量的图像，并保持强大的文本-图像对齐，可以部署在笔记本电脑GPU上。Sana的核心设计包括深度压缩自编码器、线性扩散变换器（DiT）、仅解码器的小型语言模型作为文本编码器，以及高效的训练和采样策略。Sana-0.6B与现代大型扩散模型相比，体积小20倍，测量吞吐量快100倍以上。此外，Sana-0.6B可以部署在16GB笔记本电脑GPU上，生成1024×1024分辨率图像的时间少于1秒。Sana使得低成本的内容创作成为可能。