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，包括最为火热的字节Coze、智

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，让更多人调用，顺便赚点副业收入？

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。 一款由Alpha Cephei

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。设备端轻量语音的兴起，像给AI装

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的文档解析模型：MonkeyOCR。 它

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 GitHub 上开源了一款

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，给大家分享一款由 infrost

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TTS模型，让语音合成进入了新

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。 而现在随着多模态AI技术的