产品库

使用OpenAI实时API与文档进行语音聊天

voice-chat-pdf是一个基于LlamaIndex项目，使用Next.js构建的示例，它通过简单的RAG系统，允许用户通过语音与PDF文档进行交互。这个项目需要OpenAI API密钥来访问实时API，并在项目中生成文档的嵌入向量，以便进行语音交互。它展示了如何将先进的机器学习技术应用于提高文档交互的效率和便捷性。

TypeScript客户端，用于OpenAI的实时语音API。

openai-realtime-api是一个TypeScript客户端，用于与OpenAI的实时语音API进行交互。它提供了强类型的特性，并且是OpenAI官方JavaScript版本的完美替代品。该客户端修复了许多小错误和不一致性，并且完全兼容官方和非官方事件。它支持Node.js、浏览器、Deno、Bun、CF workers等多种环境，并且已发布到NPM。该技术的重要性在于它能够为开发者提供一种更安全、更便捷的方式来集成和使用OpenAI的实时语音功能，特别是在需要处理大量数据和请求时。

让应用通过语音与文本的转换实现智能交互。

Azure 认知服务语音是微软推出的一款语音识别与合成服务，支持超过100种语言和方言的语音转文本和文本转语音功能。它通过创建可处理特定术语、背景噪音和重音的自定义语音模型，提高听录的准确度。此外，该服务还支持实时语音转文本、语音翻译、文本转语音等功能，适用于多种商业场景，如字幕生成、通话后听录分析、视频翻译等。

基于WebRTC的语音AI流应用，使用OpenAI实时API和WebRTC开发。

该项目是一个使用OpenAI实时API和WebRTC技术开发的WebRTC-based Voice AI stream application，以Next.js框架搭建，具备服务器端渲染和API路由功能，配合shadcn/ui开发的UI组件，支持实时音频对话，还加入了抽象WebRTC处理的hook，以及6个示例函数展示客户端工具与实时API结合使用。项目开源免费，主要面向开发者，可用于快速搭建具有语音AI功能的Web应用。

腾讯文档智能助手,支持内容生成、数据处理、版式美化等创作需求

腾讯文档智能助手正式开启公测,可与Word、Excel、PPT等多品类文档进行智能互动,支持内容秒级生成,实现数据处理、版式美化等创作辅助功能。主要优势有:可基于标题或描述生成多类型文档内容,支持函数公式应用、数据处理、表格自动化等能力,实现 PPT 一键美化,可快速提取 PDF 文档摘要等,让文档内容实现跨品类畅通流转。

改写、续写、生成PPT，数据处理，语音交互，WPS AI助你智能办公

WPS AI是一款智能办公助手，能够帮助用户完成文本改写、续写、生成PPT、数据处理、语音交互等多项功能。WPS AI的优势在于能够快速提高用户的工作效率，让用户更轻松地完成各种办公任务。WPS AI的定价分为免费版和付费版，用户可以根据自己的需求选择不同的版本。WPS AI的定位是智能办公领域的领先品牌。

实时语音提取智能耳机交互系统

LookOnceToHear 是一种创新的智能耳机交互系统，允许用户通过简单的视觉识别来选择想要听到的目标说话者。这项技术在 CHI 2024 上获得了最佳论文荣誉提名。它通过合成音频混合、头相关传输函数(HRTFs)和双耳房间脉冲响应(BRIRs)来实现实时语音提取，为用户提供了一种新颖的交互方式。

WhatsApp语音助手，与ChatGPT通过语音信息交互

GabbyGPT是一个通过WhatsApp实现的AI语音助手，用户可以方便地通过语音信息与ChatGPT进行交互。它可以回答问题、提供信息、执行任务等。GabbyGPT的优势在于其简便易用的操作方式和智能的语音识别功能。定价方面，用户可以免费使用基本功能，或选择订阅高级功能的付费套餐。GabbyGPT适用于个人用户和商业用户，能够满足不同场景的需求。

智能文档处理

Bewai是一种智能文档处理解决方案，通过强大的人工智能驱动的RAD-LAD（快速自适应学习文档分析）技术，自动化识别、提取、分类和验证客户档案中的数据。无需预设模板，可自动识别各类文件，包括银行文件、保险文件、政府文件等。提供自动分类和验证文件、自动提取和验证数据等功能。Bewai可以帮助您实现文档处理的自动化、可靠化和加速化。

将OpenAI协议转换为Google Gemini Pro协议

Gemini-OpenAI-Proxy是一个代理软件。它旨在将OpenAI API协议调用转换为Google Gemini Pro协议,以便使用OpenAI协议的软件可以在不改变感知的情况下使用Gemini Pro模型。如果您有兴趣使用Google Gemini但不想修改软件,Gemini-OpenAI-Proxy是一个很好的选择。它允许您轻松地集成Google Gemini的强大功能,而无需进行任何复杂的开发工作。

智能文档助手，让文档处理更高效

DocsAI是一款智能文档助手，能够训练文档、与文档交流，并创建解决用户问题的聊天机器人。用户可以轻松查找文档中的任何内容，添加多种来源的文档，定制助手外观，提出答案建议，使用自定义API进行集成，以及在网站上嵌入聊天窗口。此外，还支持获取对话摘要、用户情绪和线索识别，移动设备友好，导出对话记录，多语言处理，以及开源。

提升网站AI语音交互和销售

Site Agent是一款AI语音助手产品，能够个性化地与访问网站的用户进行语音和文字对话，提升用户参与度并促进销售。它结合了最新的AI技术和类似人类对话的细腻触感，为每个客户互动带来价值。Site Agent提供个性化的对话和问答功能，帮助客户解决问题、获取信息和进行购买。它还具备智能推荐和语义理解功能，能够根据用户需求提供个性化建议。Site Agent的定价根据企业需求定制，提供免费试用和付费增值的选择。

智能文档处理API

Base64.ai是一款智能文档处理API，可以从各种类型的文档中提取OCR文本、数据、手写内容、照片和签名。它适用于各种文档类型，包括身份证、驾驶证、护照、签证、收据、发票、表格等。它提供高准确性和安全性，并可通过API、RPA系统、扫描仪、网页和移动应用等多种方式使用。

利用OpenAI的GPT-4 Turbo模型进行高效OCR处理

这是一个开源的OCR API，利用OpenAI强大的语言模型和优化的性能技术（如并行处理和批处理）来实现从复杂PDF文档中提取高质量文本。非常适合寻求高效文档数字化和数据提取解决方案的企业。

集成Firecrawl的OpenAI实时API控制台

firecrawl-openai-realtime是一个集成了Firecrawl的OpenAI实时API控制台，旨在为开发者提供一个交互式的API参考和检查器。它包括两个实用库，openai/openai-realtime-api-beta作为参考客户端（适用于浏览器和Node.js），以及/src/lib/wavtools，后者允许在浏览器中简单管理音频。该产品是使用create-react-app创建的React项目，并通过Webpack打包。

基于生成式 AI 的文档处理平台

V7 Go 是一款基于生成式 AI 的文档处理平台，可以理性处理文档、图像、视频等多模态数据，并提供高精度的自动化工作流。它可以识别打印和手写文字，并支持连接外部 AI 模型。V7 Go 提供多种价格选项，包括免费试用和付费版本。

实时语音交互的人工智能对话系统。

Listening-while-Speaking Language Model (LSLM)是一款旨在提升人机交互自然度的人工智能对话模型。它通过全双工建模(FDM)技术，实现了在说话时同时监听的能力，增强了实时交互性，尤其是在生成内容不满意时能够被打断和实时响应。LSLM采用了基于token的解码器仅TTS进行语音生成，以及流式自监督学习(SSL)编码器进行实时音频输入，通过三种融合策略（早期融合、中期融合和晚期融合）探索最佳交互平衡。

Lychee是最新OpenAI模型驱动的终极AI聊天机器人！

Lychee是一款由最新的OpenAI模型驱动的AI聊天机器人。它提供了多个助手供您选择，包括开发者、教师、喜剧演员，甚至朋友。无论是写求职信还是讲笑话，Lychee都能帮助您。未来将推出定制助手等功能，让您拥有无限可能。告别压力，与Lychee一起迎接AI聊天机器人的未来！

在不使用第三方工具的情况下，将Google Sheets与OpenAI API连接

这个“脚本”可以让您在不使用Zapier或Make等第三方工具的情况下，轻松连接Google Sheets和OpenAI API。该脚本可以立即访问GPT-4和GPT-3.5模型的响应。无需订阅，即可使用免费的Gmail帐户访问。最棒的是，该脚本可以在后台持续运行，无需保持文件打开。通过这个脚本，您可以将OpenAI语言模型（GPT-4和GPT-3.5）的强大功能带到Google Sheets文件中，利用它们一次性为数千行内容创建内容。您可以根据多个数据点生成产品描述，根据可用数据为数千位客人创建个性化电子邮件，通过创建超级优化的AI内容进行程序化SEO，为遵循某种模式的任何内容生成内容等等。

使用自得语音技术，创造属于你的角色

自得语音技术可通过简单的步骤创造出属于你的角色。类似GPT，可生成与真人无异的语音片段，在情感、音色和语速等方面与真人一致。自得语音支持快速定制角色，只需要上传一段语音即可立即生成属于你的语音角色。无需下载软件，可在浏览器上完成语音生成。同时提供API接口，方便开发者集成到自己的产品中。商用用户可享受7x24小时的技术支持。

与您的 PDF 聊天：体验数字文档交互的革命

PDF Talk是一款革命性的数字文档交互平台，通过AI驱动的聊天功能，让您与PDF文件进行交流。它提供了多种功能，包括AI驱动的PDF摘要、动态问答、多PDF查询和智能文档交互。PDF Talk利用先进的人工智能技术，帮助用户快速从文档中提取关键信息。无论您是学术界、专业人士还是休闲读者，我们的应用程序都可以以对话的方式帮助您从文档中获取有价值的见解。加入我们，一起重新定义与书面知识互动的界限。

智能AI翻译，高效文档语言转换助手。

EZ-work AI文档翻译是一款专注于文档翻译的在线服务，支持多种语言的翻译，包括中文、英语、日语、俄语、阿拉伯语和西班牙语等。它使用先进的AI技术，如gpt-4o-mini和deepseek-chat模型，为用户提供快速、准确的翻译服务。该产品适用于需要文档翻译的个人和企业，尤其在国际交流和学术研究领域尤为重要。

语音交互人工智能助手

魔撰写作是一款基于语音交互和软硬结合的人工智能助手，可以帮助用户完成日常生活中的各种任务，包括语音助手、智能家居控制、语音翻译、语音记事本等功能。小问智能的优势在于准确率高、响应速度快、支持多语言、可定制化等特点。定价方面，提供免费版和付费版两种选择，付费版功能更加丰富，价格合理。小问智能的定位是成为用户日常生活中的智能助手。

高效检索文档信息，准确回答专业问题

讯飞星火知识库文档问答是科大讯飞基于讯飞星火大模型和星火知识库搭建的文档问答服务，能够高效检索文档信息，准确回答专业问题。具备多文档问答，文档知识库，信源原文定位，文档总结，自定义切分等功能。

语音交互式语言学习App

Natulang是一个语音交互式的语言学习App。它利用语音生成和识别技术,让用户可以通过大声朗读对话来学习语言。相比其他注重打字的语言学习App,Natulang更注重语音交流,让用户培养语言表达的自信心。

智能文档处理框架，专为LLMs设计

ExtractThinker是一个灵活的文档智能框架，帮助用户从各种文档中提取和分类结构化数据，类似于文档处理工作流的ORM。它被称为“LLMs的文档智能”或“智能文档处理的LangChain”。该框架的动机是为文档处理创建所需的特定功能，如分割大型文档和高级分类。

低延迟的实时语音交互API

Realtime API 是 OpenAI 推出的一款低延迟语音交互API，它允许开发者在应用程序中构建快速的语音到语音体验。该API支持自然语音到语音对话，并可处理中断，类似于ChatGPT的高级语音模式。它通过WebSocket连接，支持功能调用，使得语音助手能够响应用户请求，触发动作或引入新上下文。该API的推出，意味着开发者不再需要组合多个模型来构建语音体验，而是可以通过单一API调用实现自然对话体验。

文档版式分析模型，助力自动化文档处理。

360LayoutAnalysis是由360 AI研究院开发的一系列文档分析模型和数据集，专注于文档版式分析，即从扫描的文档图像中识别和提取文本、图像、表格和其他元素。这项技术对于自动化文档处理、电子数据交换、历史文档数字化等领域至关重要。模型采用深度学习和模式识别技术，通过训练数据集提高对文档结构的理解能力，尤其注重段落的标注，以支持文本的语义理解和信息提取。

开发者可互动体验 OpenAI API 中的新语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。

OpenAI.fm 是一个互动演示平台，允许开发者体验 OpenAI API 中的最新文本转语音模型gpt-4o-transcribe， gpt-4o-mini-transcribe and gpt-4o-mini-tts。该技术能够生成自然流畅的语音，使得文本内容生动而易于理解。它适用于各种应用场景，尤其是在语音助手和内容创作方面，能够帮助开发者更好地与用户沟通，提升用户体验。该产品定位于高效的语音合成，适合希望整合语音功能的开发者。

AI驱动的文档处理解决方案

Docucontext是一个基于云原生的AI驱动的文档处理解决方案，可以自动提取和分析各种类型文档中的非结构化数据。它采用了生成式AI模型ChatGPT进行驱动。Docucontext的主要功能包括消除手动数据录入和转录错误、处理不同格式和布局的文档、提供强大的搜索和检索功能、与其他软件应用和系统集成、个性化客户体验、高效的客户获取和留存、以及基于Azure Cloud的强大计算能力。