AI 效率技能与自动化

ZONOS2

Zyphra · 工具包

把文字转成 30 多种语言的自然语音，能根据样本克隆声音，采用混合专家模型以实现低延迟。可以在带 NVIDIA GPU 的 Linux 机器上本地运行。

PaddleOCR-VL

PaddlePaddle · 工具包

读取文档图像并返回其中的文字，是参数不到十亿的视觉语言模型。适合在自己的机器上用 PaddleOCR 解析中英文文档的人。

QI_2.1_AnyAngle

lilylilith · 工具包

Qwen Image 2.1 的 LoRA，可以把一张现有图片转到你选定的新镜头角度，同时保持它的风格。它用高斯泼溅或 3D 模型生成的粗略渲染图来引导。

granite-speech-5.0-2b

ibm-granite · 工具包

把六种语言的语音转成文字，并在英语与其他语言之间翻译语音，支持关键词偏置和语言提示。这是 IBM 面向企业音频的紧凑 2B 语音语言模型。

parakeet-ultra-gguf

handy-computer · 工具包

离线转写 25 种欧洲语言的录音，使用 Moondream 的 parakeet-ultra 的 GGUF 版本，配合 transcribe.cpp。适合想要带标点、可选的 token 时间戳的本地语音转文字的人。

Phonon-2.5

FermionResearch · 工具包

用一个 156.2 MB、不需要显卡的模型转写 25 种语言的语音。这是 FermionResearch 的开源模型，适合 Apple silicon 的 Mac 以及普通的 Linux 或 Windows 电脑。

Chandra OCR 2

datalab-to · 工具包

读取图片和 PDF 中的文字，返回保留页面布局的 markdown、HTML 或 JSON。能处理手写、表单、表格和数学公式，支持 90 多种语言，适合做文档数字化的人。

Depth Anything 3

Comfy-Org · 工具包

Comfy-Org 为 ComfyUI 重新打包的深度估计模型文件，共四种大小。它们把图片或视频变成深度图。适合在图像和视频工作流里需要深度信息的 ComfyUI 用户。

Russian Emotional TTS

Andreevai · 工具包

带情感并按标注的重音朗读俄语文字，还能从 3 到 10 秒的音频复制声音。只克隆你有权使用的声音。

faster-whisper-large-v3

Systran · 工具包

把音频文件里的语音转成带时间戳的文字，是为 CTranslate2 和 faster-whisper 转换的 OpenAI Whisper large-v3。适合在自己机器上转写多语言录音的开发者。

orukqwen-asr-1.7b

oruk · 工具包

把英文语音转成文字。它是用词错误率做强化学习后训练的 Qwen3-ASR-1.7B，适合需要英文转写的开发者和语音研究者。

English_audio_transcriptor

Sakil · 工具包

在 Gradio 页面里用 wav2vec2 base 模型把英语语音转成文字，带有四段示例对白音频。适合学生、开发者，以及需要快速文字稿的人。

Persian ASR

SajjadAyoubi · 工具包

在 Gradio 页面里用 wav2vec2 语音模型把波斯语语音转成文字。适合学生、开发者，以及需要波斯语音频文字稿的人。

PaddleOCR

PaddlePaddle · 工具包

在 Gradio 页面里用 PaddleOCR 读出图片里多种语言的文字，带有中文、英文和日文示例图片。适合需要从照片或扫描件里取出文字的人。

Pheonix_Data_Dashboard

Masaaki · 工具包

打开一个由一个 HTML 文件和一个样式表组成的静态仪表盘页面，在浏览器里查看。说明里没有写它显示什么数据，所以适合想看看或复用版式的人。

Smart Search

kingfisher · 工具包

打开一个小型 Streamlit 应用，标题指向一个搜索工具。说明里没有写它搜索什么，所以请把它当作供开发者和学生打开探索的演示。

Super Resolution

keras-io · 工具包

在 Gradio 页面里用 Keras 超分辨率模型提高图片的分辨率，附带两张示例图片，适合摄影爱好者、学习者和开发者。

Zero DCE Low Light Image Enhancement

keras-io · 工具包

在 Gradio 页面里用 Keras 团队的 Zero-DCE 低光增强模型提亮昏暗的照片，附带示例图片，适合摄影爱好者和学习者。

Inpaint_Me

Huertas97 · 工具包

在 Streamlit 页面里用图像修复补全或修补图片的指定部分，附带示例图和修复结果，适合修图的人和机器学习学习者。

DeepFilterNet

hshr · 工具包

在 Gradio 页面里用 DeepFilterNet 去掉语音音频里的背景噪声，附带示例片段，适合想整理语音录音的人和音频开发者。

Qwen-Image-2.1-Next-Scene-LoRA

akhaliq · 工具包

Qwen-Image-2.1 的 LoRA，把输入画面和导演式指令变成下一个镜头，并保持场景一致。适合做分镜的人和图像创作者。

Qwen-Image-2.1-Multiple-Angles-LoRA

akhaliq · 工具包

Qwen-Image-2.1 的相机控制 LoRA，能从你选的角度重新拍摄一个主体，有 36 个姿态外加特写版本。适合用 ComfyUI 或 diffusers 的图像创作者。

Wan2.1-T2V-1.3B

Wan-AI · 工具包

根据文字提示生成 480P 短视频，小到大多数约 8 GB 显存的消费级 GPU 都能运行。适合想在本地做文字转视频的创作者和研究者。

MOSS-Image depth control LoRA

thedeoxen · 工具包

让灰度深度图来控制 ComfyUI 里用 MOSS-Image-SFT 生成的图像布局，主体和风格仍由你的提示词决定。适合想固定镜头深度的图像创作者。

MOSS-Transcribe-Diarize

OpenMOSS-Team · 工具包

一次性把多位说话人的长录音变成带时间戳、带匿名说话人标签的转写稿，适合在 50 多种语言里转写会议、通话、播客和访谈的团队。

SheetSage2

m-a-p · 工具包

把音乐录音转成可编辑的乐谱，包含旋律、和弦、节拍、调性和结构，输出 ABC 和 MIDI 文件以及带时间的标注。这是基于 MERT-v2-FullSong 的 57.2M 模型。许可证为非商业。

MOSS-Image-Edit-HQ

akhaliq · 工具包

一个非官方的社区 LoRA，在 MOSS-Image-SFT 之上根据文字指令编辑图片，用于 ComfyUI。适合想试用开放的指令式图像编辑的图像创作者。

PaddleOCR-VL-1.6

PaddlePaddle · 工具包

读取图片并返回其中的文字，专为解析中英文文档而做。这是 PaddlePaddle 推出的 959M 参数模型，通过 PaddleOCR 库运行。

Haas-ja-v1.0

third-intelligence · 工具包

用一个注重速度和准确率的 615.8M 语音识别模型把日语语音转成文字。适合在带 NVIDIA GPU 的 Linux 机器上转写日语音频的开发者和团队。

Inflect Mini v3

owensong · 工具包

在你自己的电脑上把英文文字转成语音，有六个预设声音，可在 CPU 或 CUDA 上运行。适合想要小型本地文字转语音模型的开发者和创作者。

whisper-large-v3

openai · 工具包

OpenAI 的语音转文字模型，能转写多种语言的音频，可以把语音翻译成英文文字，还能加上句子或单词级时间戳，适合任何想把录音变成文字的人。

Romanian Speech Recognition

gigant · 工具包

在浏览器里用 wav2vec2 模型把罗马尼亚语语音转成文字，适合手上有罗马尼亚语音频的人，也适合想研究小型 Gradio 语音演示的人。

Recommendit

ga · 工具包

一个静态网页，名字指向做推荐，由一个 HTML 页面、一个样式表和一个包列表组成。README 是默认模板，所以它推荐什么没有写明。

Fast Neural Style Transfer 快速风格迁移

frapochetti · 工具包

frapochetti 做的 Gradio 应用，从名字看是用快速神经网络把图片重绘成另一种风格。适合想在浏览器里试用图像风格迁移的人。

Blurry Faces 人脸模糊

frapochetti · 工具包

frapochetti 做的 Gradio 应用，从名字看是把图片里的人脸模糊掉，带有人脸识别和 Kornia 的基准脚本。适合想在浏览器里试用人脸匿名化的人。

SpeechCloning 语音克隆

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是用克隆的声音读文字，带有一个参考音频片段文件夹。适合想用自己有权使用的声音试用开源语音克隆的人。

PoeticTTS 诗歌语音合成

Flux9665 · 工具包

Flux9665 做的 Gradio 语音合成演示，从名字看是朗读诗句，带有一个参考音频片段文件夹。适合想在浏览器里试用富有表现力的开源语音合成的人。

Multilingual TTS 多语言语音合成

Flux9665 · 工具包

Flux9665 做的多语言语音合成演示，仓库名叫 IMS-Toucan，带有参考音频片段和说话人识别模型。适合想在浏览器里试用开源语音合成的人。

DALL·E mini 文字生成图片

flax-community · 工具包

flax-community 做的静态网页，从名字看是 dalle-mini 文字生成图片模型的前端。适合想在浏览器里试用开源图片生成器的人。

Xm_transformer_600m 语音翻译

facebook · 工具包

Facebook 做的演示，围绕六个 xm_transformer_600m 翻译模型，带有 Common Voice 音频示例，从语言代码看是语音翻译。适合想在浏览器里试用语音翻译的人。

Japanese Voice Recognition 日语语音识别

Detomo · 工具包

用一个名字指向平假名输出的 wav2vec2 模型把日语语音转成文字。适合想在浏览器里试用日语语音识别的人。

Italian Robust ASR 意大利语语音识别

dbdmg · 工具包

用 Hugging Face 语音挑战赛的 wav2vec2 XLS-R 模型把意大利语语音转成文字。适合想在浏览器里试用意大利语语音识别的人。

Cv Parser

asimokby · 工具包

一个 Gradio 应用，读取简历并用多个语言模型提取信息，代码分成读取器、分段器和解析器。适合招聘人员和开发者。

Reddit Video Downloader

Amrrs · 工具包

一个 Streamlit 应用，按名字看是用来保存 Reddit 上的视频。README 没有写步骤，具体要求看页面。适合有权保存该视频的人。

TTS Text To Speech

keshav6936 · 工具包

一个小型 Gradio 应用，把输入的文字转成语音。可以在 Hugging Face 的浏览器里用，也可以在自己的电脑上跑一份。

Automatic Speech Recognition

k2-fsa · 工具包

k2-fsa 项目的 Gradio 演示，把语音音频转成文字。它列出六个语音模型，包括 Vosk 俄语模型和 icefall 模型，在 CPU 上运行。

Swap Face Model

zerovic · 工具包

通过网页把图片里的脸换掉，以 Docker Space 的形式运行。仓库里没有 README 文字，细节来自名字和文件。只使用你有权使用的脸。

OPF Image Anonymizer

ysharma · 工具包

用 OCR 和 OpenAI 的 Privacy Filter 在截图和其他图片里的个人信息上盖上可编辑的黑条，适合经常分享聊天、邮件或文档截图的人。

Meditor WebGPU Chat

Yo-Purple · 工具包

一个聊天页面，通过 WebGPU 在你的浏览器里用你自己的 GPU 运行 Meditor 语言模型，带本地缓存和实时速度显示。适合想要不用云 GPU 的私密聊天的人。

AI Generated Image Detector

ymcmy · 工具包

判断一张图片是真实的还是 AI 生成的，用的是在约 5 万张真实图片和 5 万张生成图片的纹理块上训练的分类器。适合想对一张图片得到快速第二意见的人。