MiniCPM-o开源项目 – 手机上的多模态智能助手

Lucyd是一款移动应用，允许用户通过语音查询ChatGPT，听取响应，无需打字或阅读。只需下载应用，激活语音助手，便可开始使用。

Gemelo.ai通过可扩展的AI驱动语音和视觉克隆，彻底改变品牌与客户之间的互动，确保您的音频或视频内容在所有数字平台上始终具有吸引力和影响力。

Google Gemini是谷歌推出的一款先进的多模态AI模型，能够处理文本、代码、音频、图像和视频等多种信息。它旨在为开发者、研究人员和企业提供强大的AI工具，推动创新，简化工作流程，并解锁数据分析和内容创作的新可能性。

ElevenLabs在语音合成领域处于前沿，提供先进的AI语音生成和文本转语音功能，旨在为内容创作者和企业提供简化的自然语言语音转换体验。用户可以创造出极具真实感的配音、有声书及任何形式的口语内容。

GoodFriend AI通过AI增强的虚拟人类，提供具有丰富个性和无限记忆的深度人际对话，帮助用户简化日常任务，并提供真实而沉浸的互动体验。

Shorts Generator 是一个强大的工具，通过利用已有的高效视频，快速生成引人注目的YouTube Shorts脚本。用户只需输入一个YouTube链接，即可在几秒钟内获取新的脚本，帮助内容创作者提升视频的吸引力和传播性。

Telborg是一个专为能源专业人士设计的AI助手，提供关于政策、法规、公司、技术、市场、价值链和投资的行业特定知识和见解。用户可以上传与能源相关的文档，基于提供的数据和Telborg的定制知识库获得答案。同时，Telborg还提供随时随地的会议准备、生成演示和报告内容，并允许用户与能源专家互动，找到最佳答案。

facebookpostscheduler.com是一个帮助用户生成和自动化Facebook帖子的工具，旨在节省时间并提高参与度。用户可以专注于其他任务，同时让该工具推广他们的产品。

OneByteLabs是一家获奖的IT公司，专注于为初创企业、中小企业、代理机构以及大型企业提供数字营销、网站和移动开发服务。我们致力于根据客户的需求提供量身定制的解决方案，帮助客户在数字化时代中取得成功。

NExT-GPT是一个先进的多模态生成模型，能够处理文本、图像、视频和音频等多种输入，以任意组合生成丰富的输出。它仅需调整少量参数，具有低成本训练的优势，同时具备复杂的跨模态语义理解和内容生成能力，适合扩展到更多的应用场景。

VoiceGPT是专为Apple Watch用户设计的语音助手，允许用户通过语音与GPT4进行智能对话，并将回答朗读出来。只需在Apple Watch或iOS设备上激活应用，开始说话，VoiceGPT将把你的声音转化为文本并发送给GPT4处理，随后将回答朗读给你。

Pixellot是一款AI驱动的自动化体育摄像头，能够实时直播每场比赛，直接将比赛画面传输给粉丝、家庭和教练，完全无需人工干预，适用于各种体育组织、联合会和广播公司。

BocaLive AI 是一款革命性的直播工具，支持超现实数字头像的实时广播，用户可以在各种平台上进行直播，24小时无限制流媒体服务，并可以自定义数字化形象，为品牌增添独特的个性化风格。

百聆是一个开源的语音对话助手，结合了语音识别 (ASR)、语音活动检测 (VAD)、大语言模型 (LLM) 和语音合成 (TTS) 技术，旨在通过语音与用户进行自然的对话。该项目可以在无需GPU的情况下实现类GPT-4o的对话效果，适用于各种边缘设备和低资源环境。百聆具有高效开源模型、模块化设计、支持记忆功能、工具调用和任务管理等特点，提供高质量的语音对话体验，端到端时延800ms。

XAIaudio是一个专为音频AI任务设计的开源框架，为开发者提供高效处理声音数据的工具，支持从语音识别到音频生成的多场景应用。该框架通过神经网络提取声音特征，支持分布式计算加速学习，并提供高效的音频预测工具。XAIaudio覆盖了识别与合成任务，并内置了模型导出与优化功能，便于开发者进行部署。

这是一个基于Streamlit的实时网页语音转文本应用，能够快速将语音转换为文本，支持多种音频输入方式，易于使用和部署。

科大讯飞机器人超脑平台是科大讯飞推出的专注于人工智能领域，尤其是人机交互技术的综合性平台。该平台整合了多模态语音降噪技术、全双工交互技术和多语种联合建模等先进技术，旨在满足大模型时代对人机交互的新需求。平台基于科大讯飞的Superbrain 2030计划，强调感知多样化、交互模式多元化和反馈直接性，支持从语音识别到自然语言处理的全链条AI能力，适用于智能机器人开发。其核心技术包括iFlytek Spark Desk语义分析引擎，并在2024年中国人形机器人生态大会上展示了在嘈杂环境中的卓越交互能力。

VoiceCalc是一款基于AI的计算器，用户可以通过自然语言输入表达式，若输入可计算，则返回正确结果，否则返回错误提示，需手动修正输入。

该项目汇总了与多模态大语言模型（LLM）相关的研究论文和资源，提供最新的研究趋势和进展，支持多种模态的学习方法，适用于学术研究和工程实践。

这是一个开源的macOS AI助手，结合视觉和语音技术，旨在提升用户的工作效率。

这是一个基于 ESP32 的 AI 聊天机器人项目，旨在提供智能对话和互动体验。该项目利用 ESP32 硬件平台，支持语音识别和合成，能够与用户进行自然语言对话，具备多种对话场景和功能，并且代码开源，易于修改和扩展。

紫东太初2.0是由武汉人工智能研究院、中国科学院自动化所和华为公司联合研发的新一代多模态大模型平台，基于昇腾AI和MindSpore AI框架。它从全球首个图文音三模态大模型升级而来，旨在建设中国通用人工智能智能基础，加速认知智能时代的发展。平台支持文本、图像、视频、音乐、音频、3D和信号等多种模态，功能涵盖文本创作、图像生成、视频理解、音乐处理、3D场景描述和信号分析等。

孟子 GPT 大语言模型是由澜舟科技开发的一个大规模语言模型，支持多语言和多模态数据处理，广泛应用于文本理解和生成任务。该模型在国内评测中表现优异，如 C-EVAL 和 SUPERCLUE，并于 2023 年底通过网信办备案，已面向公众开放。其技术特点包括多模型架构支持、知识图谱增强、小样本学习能力以及图文双模态输入等。

HPT是HyperGAI的开源多模态大语言模型，能够有效理解文本和视觉输入之间的关系，提供强大的语义理解和生成能力，适用于各种应用场景。

该项目是对多模态大语言模型的全面调查，涵盖最新进展、模型比较和评估以及多种应用场景，信息更新频繁，确保时效性。

通过语音与ChatGPT进行实时对话，让其用声音回应你，提供友好的交流体验。

WriteSmith是一款结合了GPT-4、视觉识别和DALL-E-3的AI助手，能够通过摄像头观察世界，生成聊天中的图像，并记住用户的对话内容，以便深入探讨话题。由独立开发者打造，旨在帮助用户解决视觉问题、回答物体相关问题，带来有趣的AI体验。

由transformers.js提供支持的浏览器里100％客户端运行的实时音频转录，支持多种语言，易于集成到网页应用中。