AI 效率技能与自动化

waqf-ocr-hand-written-v1

Waqf-AI · 工具包

读取图片中的阿拉伯语手写文字并以文本形式返回。这是微调过的 PaddleOCR-VL 模型，适合要把阿拉伯语手写内容数字化的人。

Wan2.1-T2V-1.3B-Diffusers

Wan-AI · 工具包

用小型的 1.3B Wan2.1 模型根据文字提示词生成短的 480P 视频，已打包成 diffusers 库可用的形式。在约 8.19 GB 显存的消费级显卡上就能运行。

Dulu Malayalam ASR

serendipitylabs · 工具包

在 CPU 或 CUDA GPU 上把马拉雅拉姆语语音转成文字，是 Serendipity Labs 的早期研究版本。适合想为简短清晰的录音生成转写草稿的人。

LFM2.5-350M-home-assistant-sft

OrdenWills · 工具包

把“关掉电视”这样的日常家居指令变成结构化的工具调用，并先检查设备状态。这是一个 3.5 亿参数的模型，适合智能家居开发者和爱好者。

MiniCPM-OCR 1.0 GGUF

openbmb · 工具包

把中英文文档（包括 PDF）解析成文本、表格和公式，提供给 llama.cpp 使用的 GGUF 文件。适合在自己机器上运行 MiniCPM-OCR 1.0 的人。

Qwen2-Audio-7B-GGUF

NexaAI · 工具包

在本地运行 Qwen2-Audio，用语音聊天并分析音频，包括语音翻译、转写和声音检测。这是用于 Nexa-SDK 的 GGUF 副本，适合想在自己设备上用音频 AI 的人。

Ming-3.0-audio-tiny

inclusionAI · 工具包

听音频并按文字指令用文字作答，还可选择语音回复。这是 inclusionAI 的紧凑音频语言模型，适合做中英文语音识别、语音提问和音频理解。

Applio

IAHispano · 工具包

带浏览器界面的语音转换工具，注重易用和音质，支持插件。适合只转换自己有权使用的音频的艺术家、开发者和研究人员。

zephyr-7b-beta

HuggingFaceH4 · 工具包

作为乐于助人的助手进行对话，由 Mistral-7B 经直接偏好优化调教而成。适合想自己运行小型开源聊天模型的开发者和爱好者。

MOSS-Transcribe-Diarize 0.9B

hf-audio · 工具包

一次处理就能转写多说话人的长录音，并加上时间戳和匿名说话人标签，支持 50 多种语言。适合把会议、电话、播客和讲座变成易读文字稿的团队。

SimulS2ST-Omni

HA-SA-ki · 工具包

提供英文和中文之间同声语音到语音翻译的模型文件，基于 OmniTalker。适合想运行或研究 EMNLP 2026 论文系统的研究者和开发者。

Qwen3 TTS Tiny Turkish

erkamk · 工具包

用一段简短参考录音选定声音，朗读土耳其语文本。这是基于 Qwen3-TTS 的 199M 文本转语音模型，小到可以在笔记本上运行。

Rukopys-OCR-4B

ebinan92 · 工具包

从图片中读取乌克兰语手写文档，找出每个文字区域、标注类型，并以结构化 JSON 返回转写内容。这是用于手写数字化的开放 4B 视觉语言模型。

Surya OCR 2.5

datalab-to · 工具包

用 689M 参数的模型读取文档图像中的文字，还能找出文本行、版面块和阅读顺序。适合把扫描件和照片变成文字和 HTML 表格的开发者。

MOSS-Transcribe-Diarize-GGUF

cstr · 工具包

一次性把音频转成带时间戳和说话人标签的文字稿。这是一个 0.9B 模型的 GGUF 转换版，供 CrispASR 使用，适合想在自己电脑上生成会议或访谈文字稿的人。

wan-gguf

calcuis · 工具包

Wan 视频模型的 GGUF 量化版本，可在 ComfyUI 或 diffusers 中做文生视频，包括适合旧机器的 1.3b 小文件。适合在本地制作 AI 短视频的人。

Dolphin

ByteDance · 工具包

读取文档页面图像，按阅读顺序分两个阶段提取其中的文字、表格、公式和图表。一个紧凑的 398M 模型，适用于中文和英文文档。

BFS Best Face Swap

Bhavu02 · 工具包

可在图片里替换人脸、头部或整个人物的 LoRA 附加模型，适用于 Qwen Image Edit、Flux 2 Klein 和 Krea 2。适合有权使用相关人脸的图像编辑者。

Mel-Band RoFormer Deux

becruily · 工具包

becruily 的双 Mel-Band RoFormer 模型，把歌曲拆成人声和伴奏，并列出各自的 SDR 得分。适合非商业的音频工作。

AE3-TL

APEXE3HQ · 工具包

找出数字版 PDF 页面上的每个表格，并逐个单元格重建，保留合并单元格、表头、标题和脚注。适合从报告、申报文件和论文中提取表格的团队。

Surya 2.5 GGUF

datalab-to · 工具包

从文档图像里读取文字、表格和版面，并以文字返回。这是 Surya 2.5 OCR 模型面向 llama.cpp 的 GGUF 版本，适合想在自己电脑上运行文档 OCR 的人。

Orukeet

oruk · 工具包

转写 25 种语言的语音，是 NVIDIA Parakeet TDT 模型的改造版，在作者的测试中词错误率更低。适合批量或实时转写录音的团队。

MinerU2.5-Pro

opendatalab · 工具包

读取文档页面图像并返回文字，是一个 1.2B 参数、为中英文文档解析打造的模型。适合把扫描页变成可用文字的团队。

VQGAN + CLIP

multimodalart · 工具包

把一句文字变成图像，你能看着图像从噪点里逐步成形，并把整个过程存成视频。适合艺术家、学生，以及对经典文生图方法好奇的开发者。

Brindille

edbrdi · 工具包

用一个只有 94K 参数的小模型在浏览器里朗读法语文字，完全在你自己的设备上运行，声音是 Estelle。适合想要不用服务器、不用安装的法语语音的人。

一个 n8n 工作流，每 20 分钟向 Live Tennis API 查一次正在进行的比赛，并为每场比赛只往 Discord 频道发一行提醒。

一个回答 Slack 斜杠命令的 n8n 工作流：跑在 Google Gemini 模型上的智能体写出回复，记住和这个人最近的对话，并把它发到频道里。

一个 n8n 工作流：回答发到 WhatsApp 商务号码的消息。Gemini 模型把语音、照片或视频变成文字，带短期记忆和维基百科工具的 AI 智能体写出回复。

一个把录音变成 Notion 笔记的 n8n 工作流。它盯着一个 Google Drive 文件夹，每个新录音交给 OpenAI 转成文字，再由第二个 OpenAI 步骤写出结构化摘要，标题和摘要进入一个新的 Notion 页面。

GigaChat3.1-10B-A1.8B-GGUF

ai-sage · 工具包

用俄语和英语聊天、写代码、调用函数，是 GGUF 文件形式的紧凑混合专家模型。适合在自己硬件上运行助手的人。

DaFeiYu RVC v2 40k

YukiKaze1337 · 工具包

把录好的说话或歌声转换成大肥鱼的音色，是带音高引导的 40k RVC v2 模型。需要配合 RVC 推理工具使用，适用于个人非商业项目。

MiMo-V2.5-ASR

XiaomiMiMo · 工具包

转写普通话、英语和粤语的语音，包括中文方言、中英夹杂、歌词、嘈杂音频和多人会议，并自动加标点。适合需要语音转文字的团队。

Qwen-Image-2.1-LoRAs

WarmBloodAban · 工具包

两个用于 Qwen-Image 2.1 图像编辑的 LoRA 插件：一个让动漫角色保持一致，另一个把任意风格的画面变成写实的人物。适合用 AI 编辑图片的人。

Wan2.1-T2V-14B

Wan-AI · 工具包

用 14B 的 Wan2.1 模型根据文字提示词生成 480P 或 720P 视频，还能把中文和英文文字放进画面。适合有强力 GPU 硬件的创作者和研究人员。

NVIDIA NemotronLabs RE-USE-laughter

nvidia · 工具包

清理多语言的嘈杂语音录音，同时保留笑声。这是一个 9.6M 参数的语音增强模型，适合修音频的创作者和准备语音数据集的研究人员。

VibeVoice-ASR

microsoft · 工具包

微软研究院的 8.7B 语音转文字模型，一次可转写最长 60 分钟的音频，说明谁在什么时间说了什么，支持可选的热词和超过 50 种语言。

Phonon-2.5 English

FermionResearch · 工具包

把英语语音转成文字，下载只有 157.6 MB，可在 Apple silicon、Linux 和 Windows 的 CPU 上运行，不需要 GPU。适合做听写、字幕、合规或搜索的团队。

BiRefNet

Comfy-Org · 工具包

Comfy-Org 重新打包的抠背景模型文件，可以在 ComfyUI 里加载。它生成一个遮罩，把主体和背景分开。适合在图像里抠出主体的 ComfyUI 用户。

MOSS Sharpness Slider

aoleg · 工具包

MOSS-Image 模型的滑块式 LoRA，只靠强度就能让图片更锐利或更柔和，不需要触发词。适合想修复 MOSS Base 模糊问题的图像创作者。

GigaAM-v3

ai-sage · 工具包

把俄语语音转成文字，有能加标点并规范文本的变体，基于约 230M 参数的 Conformer。适合转录俄语音频（如通话）的开发者和团队。

ACE-Step 1.5 XL Turbo

ACE-Step · 工具包

用 4B 参数的扩散模型只需 8 步就能生成音乐和其他音频，通过 Gradio 界面在本地运行。适合有 12 GB 以上显存 GPU 的创作者和开发者。

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。