av-diarization开源项目 – 简化多说话者场景下的说话人识别

WhisperLive是OpenAI的Whisper的近实时实现，通过语音活动检测(VAD)仅在检测到语音时发送音频数据到Whisper模型，从而减少数据传输并提高转录准确性。

FunASR 是一个旨在连接学术研究与工业应用的语音识别工具包。它支持工业级语音识别模型的训练与微调，帮助研究者和开发者更方便地进行语音识别模型的研究与生产，推动语音识别生态的发展。FunASR 提供了丰富的预训练模型和便捷的脚本与教程，支持推理和微调，涵盖语音识别、语音活动检测、标点恢复、语言模型、说话人验证、说话人分离等多种功能。

Whisper是OpenAI推出的强大语音识别模型，支持多语言语音转文本，能够高精度地识别口语、方言，并自动生成字幕。它采用Transformer架构，具备强大的抗噪能力，适用于视频字幕生成、语音助手、会议记录等场景。Whisper支持99种语言的语音-文本转换，在低资源语种识别任务中WER降低至7.3%，流式处理架构实现200ms端到端延迟，自监督预训练机制减少对标注数据的依赖。

基于GPT4-o的模块化开源语音转文字再转语音的解决方案，支持语音活动检测、语音转文字、语言模型交互和文字转语音的连续流程，旨在提供高度模块化和可定制的语音交互体验

ProtoReplicant是一个在浏览器中实现的AI 3D化身语音接口，集成了语音活动检测、语音转文本、大语言模型、文本转语音和虚拟角色模型等技术，旨在提供一种互动性强的用户体验。

ReALM是苹果发布的一种新模型，通过重构屏幕上的信息为纯文本表示，使大型语言模型能够理解屏幕上的内容。该模型比ChatGPT-4更快、更小，能够理解屏幕上的内容而不需要直接看到图像，通过实体识别和位置记录生成文本化表示，减少模型参数，同时保持与GPT-4相似的性能。

TinyGPT是一个基于picoGPT项目，从零开始用C++11实现的GPT-2推理框架，旨在为嵌入式系统和资源受限环境提供高效的文本生成和自然语言处理功能。

LLaMA-VID 是一个用于理解长视频的多模态大模型，通过双令牌策略显著减少了长视频的过载，同时保留了关键信息。

Open Interpreter Local III是一款开源的本地模型运行和训练工具，支持高速推理和个性化模型定制。

一个基于Llama-70B的创新文本分块策略，针对RAG应用优化，使用中文字符'段'作为特殊标记，实现自动语义分块。

SARfish是一个专门用于在Sentinel 1合成孔径雷达（SAR）影像中检测船舶的工具。它利用Sentinel 1卫星数据，通过自动化技术高效识别船舶，具有高精度和可扩展性，适用于大规模数据集。该项目是开源的，允许用户根据需求进行定制。

BPMN Assistant是一款使用AI（如deepseek）创建、编辑和解释业务流程模型和标记（BPMN）图的工具。它通过直观的符号表示复杂的业务流程，帮助用户发现潜在问题和优化点，从而提高业务效率和质量。

Kitchen Worlds为厨房和家庭场景中的复杂任务规划提供一站式解决方案，集成多种算法和可视化工具，支持多种厨房任务的预训练规划。

Gardin Genie是一个高效的数据聊天机器人，帮助用户种植自己的食物，提供专业园艺建议、实时天气、YouTube教学视频及本地资源，让园艺变得易于接触。

ACTIN是一个双模块框架，用于时间序列数据中的反事实估计，旨在分析治疗效果随时间的变化。该项目通过综合考虑时间因素，提供了一种新的视角来理解因果关系。