evan2020

OpenDataLoader 简介 OpenDataLoader 是一个面向 AI 文档处理的开源 PDF 解析工具（由 Hancom 相关团队开源维护）。它的核心使命是将...

FLUX.2 [klein] 4B 是 Black Forest Labs（BFL） 推出的轻量级 AI 图像生成模型，也是 FLUX.2 klein 系列中最小、速度最快...

DeOldify：基于深度学习的黑白照片与老电影自动上色神器 DeOldify 是一个基于深度学习的黑白照片与老电影自动上色（Colorization）开源项目。它能够将黑...

GFPGAN：开源人脸修复与增强 AI 模型 GFPGAN（Generative Facial Prior GAN）是由腾讯 ARC 实验室提出的人脸图像修复模型（论文发表...

Real-ESRGAN：经典开源 AI 图像与视频超分辨率修复引擎 Real-ESRGAN 是一个基于深度学习的图片超分辨率与修复模型，旨在将低分辨率、模糊、有噪声的图片提...

Marker：高质量 PDF 转 Markdown 的开源神器 Marker 是一个开源的文档转换工具，旨在将 PDF 文件转换为 Markdown、JSON 或 HTML...

Tesseract OCR：经典开源离线文字识别引擎 Tesseract OCR 是一个开源的光学字符识别（OCR）引擎，用于将图片、扫描文档中的文字转换为可编辑的文本。它...

RapidOCR：轻量、高速、跨平台的开源 OCR 引擎 RapidOCR 是由 RapidAI 社区维护的开源 OCR（光学字符识别）工具库。它旨在将现代深度学习 OCR...

MOSS-TTS-Nano ONNX：轻量级离线语音合成方案 MOSS-TTS-Nano 是由 MOSI.AI 与 OpenMOSS 团队推出的开源轻量级 TTS（文本转语...

认识 Vosk：轻量级开源离线语音识别引擎 Vosk 是一个开源的离线语音识别（ASR）工具包。简单来说，它可以让你的电脑、服务器、树莓派等设备，在完全断网的情况下，实时将...

Piper TTS 简介 官方仓库（已归档）： piper 当前维护仓库： piper1-gpl ⚙️ 基本原理与文件结构 🔄 工作流程 Piper 的核心语音合成链路非...

边缘端语音全能王：Sherpa-ONNX 深度介绍 sherpa-onnx 是一个基于 ONNX Runtime 的高性能离线语音 AI 推理框架，专注于提供语音识别（AS...

前言 本文是第二个docker懒人包，依旧是win兼容问题，不得不用docker 这个懒人包有40GB左右，在docker容器里，环境依赖和模型都在，界面为官方的流式dem...

前言 因为win兼容性问题，改为docker懒人包 第一次把镜像打包了，一些第三方依赖不在，依旧报错 第二次才把带环境的容器打包，这样一个极简的可以正常的工作的docker...

前言 上期记录了SAM3 提示词 图片分割 本文更新SAM3 提示词 视频分割 但是在视频分割遇到一些兼容性问题 报错 easy sam3VideoSegmentation...

SAM3 github地址： https://github.com/facebookresearch/sam3 Meta AI SAM 3 模型介绍 Meta AI 开源的...

前言 从之前的fastapi转gradio界面，已经重新打包了3个左右的懒人包 核心是为了把编程api转为可视化操作交互网页，更加方便，同时也是为了重新优化项目结构，方便后...

前言 本期依旧是把fastapi的界面改为gradio界面 原来的fastapi适合api调用，现在的gradio适合界面交互操作 本期的更新为 只保留PDF转MD和图片转...

前言 上一期内容记录了paddleocr PP-StructureV3 pdf转md 懒人整合包 cpu可用 本文主要是记录把paddleocr PP-StructureV...

前言 本文依旧是懒人包的优化更新 之前最大的问题就是使用fastapi这种偏向编程交互的操作方式 适合api调用，不太适合gui界面可视化操作，现在统一把fastapi改为...