AI开源项目

AI音频工具 哼唱和模仿创建音效 一个可控音频生成模型，能够根据一组可解释的时变控制信号（响度、亮度、音高）和文本提示来创造高质量的声音。

一款基于Whisper模型的优化版语音识别工具，通过多解码头技术显著提升处理速度

最强开源端到端语音大模型 阶跃星辰发布的Step-Audio2mini是一款开源的端到端语音大模型，能够实现语音理解、音频推理与生成的统一建模。

学习现实的3D运动系数风格化音频驱动的单图像说话的脸动画。

高效精准的图像与视频背景移除工具 一款深度学习模型，专门用于从图像和视频中快速移除背景并提取前景。

阿里巴巴新一代混合推理大模型 阿里巴巴推出的最新一代混合推理大模型，支持119种语言，具备强大的推理、编码和智能体能力，广泛应用于自然语言理解、复杂推理、代码生成等场景。

Agent Skills 开源知识库 Anthropic Agent Skills 是 Anthropic 推出的开源知识库，为 Claude 模型提供可动态加载的示范性技能与最佳实践，涵盖多领域实用技能集，支持开发者直接使用或按规范自定义技能，通过按需加载指令集降低 Token 消耗、提升特定任务处理效率。

高分辨率 3D 资产生成工具 一款用于生成高分辨率纹理化 3D 资产的大型 3D 合成系统，能够高效地创建高质量的 3D 模型和纹理。

你的私人健康数据科学家 Google 推出的 MedGemma 是目前最强大的开源医疗 AI 模型之一，专为医疗健康领域的 AI 开发而设计。

Watermark） 该研究介绍了针对大型语言模型的无偏水印技术，表明可以添加水印而不影响生成文本的质量。研究提供了一个无偏水印的理论框架，确保输出不受水印的影响。这种方法为负责任的人工智能开发讨论提供了一个追踪和归因模型输出的方法，而不会牺牲质量。

AuraSR 是基于 GAN 的 Super-Resolution 模型，通过图像条件化增强技术，提升生成图像的质量。该模型采用 GigaGAN 论文的变体实现，并使用 Torch 框架。AuraSR 的优势在于能够有效提高图像的分辨率和质量，适用于图像处理领域。

一键建神级AI代理的开源工具 DeepMCPAgent是一个开源的MCP驱动代理框架，具备动态MCP工具发现机制和模型无关设计架构，主要应用于AI代理开发场景。

让三维空间理解更智能 专注于三维空间理解的大语言模型，能够将三维点云数据转化为结构化的三维场景理解输出，广泛应用于机器人导航、建筑设计等领域。

昆仑万维开源AI短剧创作视频生成模型 昆仑万维开源的中国首个面向AI短剧创作的视频生成模型，能够实现影视级人物微表情表演生成和高质量视频创作。

无需邀请码的开源智能体平台 MetaGPT 团队开发，旨在让用户无需邀请码即可创建和使用 AI 智能体，快速实现各种创意和任务自动化。