开源星探

如果说2023年是 AI 元年的话，那么2025年一定是 AI Agent 元年，也就是大家经常提到的「 AI 智能体」。 今年我一直在折腾各种 Agent 工具或平台，包...

近年来大环境大家都懂，裁员、失业、降薪的消息层出不穷。与此同时，AI 却疯狂崛起，很多人都在想：我能不能把自己写的 API、MCP 工具、AI 插件，做成一个小服务，让更多...

云端语音 API 虽功能强，但痛点明显：网络依赖、高昂费用、隐私风险。 如果有一款开源工具，既要轻量又能完全离线运行，还能识别人声，会不会让你的语音应用开发直接起飞呢。 一...

在语音交互技术飞速发展的今天，打造一个自然、逼真的语音对话模型是许多开发者和AI语音团队的梦想。 传统语音模型要么需要云端算力，要么缺乏语气词和情感，难以模拟真人对话。设备...

在文档解析领域，传统方法要么依赖复杂多工具流水线，要么受限于大型多模态模型的低效性。 近日，Yuliang-Liu团队在GitHub上开源了一款轻量级基于LLM的文档解析模...

复杂文档处理是数据分析的痛点：表格嵌套、图表混杂、超长PDF，传统OCR（如Tesseract）或解析库（如PyMuPDF）常因布局复杂而失准。 LandingAI 团队在...

翻译大型或复杂文档（如超大 Excel、PDF）一直是开发者和企业的痛点：免费工具要么效果差，要么限制文件大小，付费工具又成本高昂。 作为一名热衷挖掘开源工具的技术宅，给大...

文本转语音（TTS）技术近年来随着AI的快速发展突飞猛进，但要在真实感、情绪表达和实时性上达到顶尖水平，仍是巨大挑战。 但零样本TTS和情感控制的兴起，涌现了一大批优秀的T...

多模态AI和文档解析的兴起，就像给OCR装上了“超级大脑”，通过视觉和语言的结合，精准理解文档结构。 以往用的一些OCR工具经常“翻车”，复杂的页面布局让解析结果面目全非。...

程序员高能预警！全球最硬核的DPU算力狂欢节来了！ 第三届NVIDIA DPU中国虚拟黑客松近期已开放报名，该竞赛是堪_比刷 LeetCode 更硬核的简历镀金术：在Blu...

对于想快速上手 AI 助手的开发者或新手来说，搭建一个支持本地知识库、联网搜索和智能体的工具往往门槛不低，配置复杂、文档晦涩让人望而却步。 开源AI客户端和一键部署的兴起，...

在面临 PDF 文档解析功能实现时，开发者会去找文本、表格、图片提取等等不同的SDK（API）库，导致写的代码像“拼积木”，效率低还容易出错。 想提取文字，要用 PyMuP...

在使用 Selenium 编写 Web 自动化脚本时，元素加载时机问题总是让人抓狂：要么脚本跑得太快找不到元素，要么得手动加一堆 time.sleep() ，测试还经常因为...

多模态 AI 的发展已经进入了“融合纪元”，不再是“看图说话”或“图文转换”那么简单。 我们需要的是一个能理解图文视频、融合信息、做出复杂推理并生成内容的统一基础模型。 现...

继 Magentic-One 后，微软在此基础上推出了新一代多智能体 Web 操作系统：Magentic-UI！ 一个由多智能体系统驱动的 Web 自动化工具，能： 自动浏...

在 AI 自动化时代，“执行力”已经不是智能体系统的唯一衡量标准。 面对医疗诊断、科研助理、电商运营等需要持续优化和多步协作的复杂任务，我们需要的不只是多个 AI Agen...

近期，语音AI领域迎来了一场全球性的震撼：MiniMax 旗下 Speech-02语音模型 ，一跃成为全球TTS双榜第一！ 不仅登顶了Artificial Analysis...

字节跳动（ByteDance）近期开源了其基于节点的流程构建引擎：FlowGram。而且也是在飞书工作流、扣子自动化 等产品中使用的核心可视化流程引擎。 是一款在线上产品中...

语音交互技术的进步正在改变人机对话的方式，但传统语音助手受限于高延迟、单向交互和缺乏情感表达。 Maitrix 团队最新发布的开源 AI 端到端语音模型：Voila，其以 ...

英伟达在5月1日发布了一款开源语音识别模型：Parakeet TDT 0.6B V2，其以 600M 参数登顶 Hugging Face Open ASR 榜单。 平均词错...