CosyVoiceQwenAudio/CosyVoice多语种语音生成模型,支持3秒声音克隆与流式合成CosyVoice 是阿里巴巴达摩院 FunAudioLLM 团队开发的多语种大语音生成模型,提供推理、训练和部署的全栈能力。其核心能力包括仅需 3 秒参考音频即可实现零样本声音克隆,覆盖 9 种常见语言和 18 种以上中文方言,并支持跨语种克隆。模型采用 LLM 生成语义 Token 与 Flow Matching 渲染声波的双阶段架构,CosyVoice 2.0 起支持双向流式合成,延迟低至 150ms。CosyVoice 3.0 引入多任务 Tokenizer 和可微…预览
HyperFramesheygen-com/hyperframes用 HTML 写视频,为 AI Agent 而生的确定性渲染框架HyperFrames 是由 HeyGen 开源的一个 HTML-to-Video 渲染框架,核心理念是“Write HTML. Render video. Built for agents.”。它允许用户用纯 HTML 文件定义视频内容,通过 data-* 属性控制时间轴、轨道和布局,然后通过 CLI 一键渲染成 MP4。该框架采用声明式数据模型、可插拔动画运行时和确定性逐帧渲染引擎,旨在解决 AI Agent 无法操作传统视频编辑工具的问题。它支持非交互式 CLI、Ve…预览
OpenAI Privacy Filteropenai/privacy-filterOpenAI 开源的本地化 PII 检测与脱敏模型,支持 128K 长文本与浏览器端运行OpenAI Privacy Filter 是 OpenAI 于 2026 年 4 月 17 日开源的双向 Token 分类模型,专注于文本中个人可识别信息(PII)的检测与脱敏,属于 NLP 安全/隐私合规技术体系。其核心定位是为企业级数据清洗流水线提供一个可本地部署、高速、上下文感知且可调优的 PII 检测模型。模型采用自回归预训练加双向分类微调的方式,总参数量 1.5B,但通过稀疏 MoE 架构,每个 Token 仅激活 50M 参数,可在浏览器和笔记本上运行。模型支…预览
opendataloader-pdfopendataloader-project/opendataloader-pdf开源 PDF 解析与无障碍标注引擎,本地优先、AI 增强OpenDataLoader PDF 是由韩国 Hancom 开发的 PDF 解析引擎,能将 PDF 转换为 AI 可消费的结构化数据(Markdown、JSON、HTML),同时是全球首个开源端到端 PDF 无障碍自动标注工具。它采用“本地确定性解析为主,AI 混合增强为辅”的核心思想:简单页面由本地 Java 引擎快速处理,复杂页面(如无边框表格、扫描件、公式、图表)路由到自托管的 AI 后端增强,全程数据不出机器。引擎提供阅读顺序识别(XY-Cut++)、边界框坐标、…预览
Apify Awesome Skillsapify/awesome-skills为 AI 编程助手提供网页抓取与业务自动化能力的社区驱动 Skills 合集Apify Awesome Skills 是 Apify 官方维护的社区驱动 AI Agent Skills 合集,为 Claude Code、Cursor、Codex、Gemini CLI 等 AI 编程助手提供网页抓取、数据提取和业务自动化的预置能力。它不是独立运行的软件,而是一套以 Markdown(SKILL.md)为载体的指令包与工具编排规则,安装后 Agent 可通过自然语言指挥 Apify 云端的爬虫 Actors 执行数据采集任务。项目包含受众分析、品牌监控…预览
opencli-rsnashsu/AutoCLI用 Rust 重写的命令行信息获取工具,一条命令访问 55+ 网站并支持 AI 生成适配器opencli-rs 是一款用纯 Rust 编写的命令行工具,旨在通过一条命令从 55+ 个网站获取结构化信息,覆盖 Twitter/X、Reddit、YouTube、HackerNews、Bilibili、知乎、小红书等主流平台,同时支持控制 Electron 桌面应用和集成本地 CLI 工具。它是基于 TypeScript 实现的 OpenCLI 的完整 Rust 重写版本,编译为 4.7MB 的单一静态二进制,零运行时依赖。其核心设计包括声明式 YAML Pipeli…预览
InfiniteTalkMeiGen-AI/InfiniteTalk音频驱动的无限长说话视频生成框架InfiniteTalk 是美团 MeiGen-AI 团队于 2025 年 8 月开源的音频驱动无限长说话视频生成框架,全称 "Audio-driven Video Generation for Sparse-Frame Video Dubbing"。它提出了一种新型视频配音范式——"稀疏帧视频配音",通过保留原始视频的关键参考帧,在维持身份信息、标志性手势和摄像机轨迹的同时,对全身运动进行音频同步的编辑。给定一段源视频和目标音频,可生成与音频精确口型同步、头部/身体/表情…预览
Supertonic vs MOSS-TTS-Nano 开源轻量级 TTS 深度对比项目档案对比两款开源轻量级 TTS:Supertonic 跨平台部署,MOSS-TTS-Nano 零样本声音克隆本文档对比两款开源轻量级 TTS 系统:Supertonic 与 MOSS-TTS-Nano。Supertonic 由 Supertone Inc. 开发,基于 ONNX Runtime 完全本地运行,约 99M 参数,支持 31 种语言,提供 11 种语言 SDK,采用 Flow Matching 与语音自编码器架构,代码 MIT 许可,模型 OpenRAIL-M。MOSS-TTS-Nano 由 MOSI.AI 和复旦大学 OpenMOSS 团队开发,仅 0.1B 参数,…预览