搜索结果：python（125 个）
按分类缩小范围
moshi
商机 55
语音-文本基座模型与全双工口语对话框架，采用前沿的流式神经音频编解码器 Mimi。
DeepSeek-OCR
商机 54
针对上下文光学压缩的 OCR 项目。
Qwen3-TTS
商机 54
阿里千问团队开源的 TTS 模型系列，支持稳定、高表现力、流式语音生成、自由声音设计与声音克隆。
csm
商机 53
一款对话式语音生成模型。
TRELLIS.2
商机 53
利用原生紧凑结构化潜在表示实现 3D 内容生成的开源项目。
mlx-serve
商机 53
面向 Apple Silicon 的原生 LLM 推理服务，兼容双 API，无 Python，含多模态功能。
mcp-for-blender
商机 51
社区开发的 Blender 插件，支持通过任意自选 LLM 控制 Blender 3D。
whisper （通用语音识别模型）
商机 51
基于大规模弱监督训练的高鲁棒性通用语音识别模型。
Real-Time-Voice-Cloning
商机 50
仅需 5 秒即可克隆声音，并实时生成任意语音。
OCRmyPDF
商机 49
为扫描版 PDF 添加 OCR 文本层，使其支持文本搜索。
diffusers
商机 49
基于 PyTorch 的前沿扩散模型库，支持图像、视频和音频生成。
manim
商机 49
由社区维护的 Python 数学与科学解释动画制作框架。
利用 AI 大模型和自动化工作流，根据主题或关键词一键生成高清短视频。
VoxCPM
商机 47
无需 Tokenizer 的多语言 TTS 语音合成模型，支持高保真声音克隆与设计。
HanLP
商机 47
支持中文分词、词性标注、命名实体识别、句法分析等丰富功能的自然语言处理工具包。
fish-speech
商机 47
达到 SOTA 业界顶尖水平的开源 TTS（语音合成）系统。
Unlimited-OCR
商机 47
百度开源文档解析工具，开启单阶段长程文档解析时代。
涵盖文本、视觉、音频及多模态的前沿机器学习模型框架，支持推理与训练。
yt-dlp （命令行音视频下载工具）
商机 45
一款功能丰富的命令行音视频下载工具，方便在终端中快速下载音视频内容。
youtube-dl （命令行视频下载工具）
商机 45
用于从 YouTube 等视频网站下载视频的命令行程序。