AI仙宝P
githubPDF-Extract-Kit｜PDF复杂文档内容提取模型工具箱
一套面向开发者的开源模型工具箱，可从论文、教材、财报等复杂PDF中识别版面、公式、表格和文字，适合搭建文档解析、翻译或问答应用。
OCR 图像识别Linux / macOS / Windows（Python 环境，官方提供 GPU 与 CPU 依赖）使用难度
站长实测状态尚未登记
开源模型相关工具、教程与提示词
汇集开源模型主题下已发布的工具、教程、提示词与场景资料，帮助你了解用途、使用条件及操作方法。
AI 工具
a
外部应用audiocraft｜Meta开源音频与音乐生成库
Meta开源的音频生成代码库，包含MusicGen文本生成音乐和AudioGen文本生成音效两个模型，适合想用AI创作背景音乐或环境音的研究者与创作者。
AI 生成音乐与音效Python 库，需本地环境与模型权重使用难度
站长实测状态尚未登记
S
外部应用Seamless｜多语言语音翻译与同传模型
Meta 开源的多语言语音翻译模型，可在说话者讲话过程中输出译文，并尽量保留语气与情感，适合研究语音同传和跨语言交流。
语音处理与翻译GitHub 开源项目；提供在线 Demo使用难度
站长实测状态尚未登记
f
外部应用fish-speech｜少样本声音克隆语音合成
只需提供约十到三十秒的声音样本，就能合成接近该音色的语音，适合做配音、有声内容和语音应用原型的中文用户。
语音合成TTS待核验（以项目文档标注的支持环境为准）使用难度
站长实测状态尚未登记
C
外部应用CosyVoice｜开源多语言语音合成模型
阿里开源的一套语音合成模型，可将文本合成为自然语音，并支持基于参考音频的音色复刻，适合研究者和开发者本地部署做语音生成实验。
语音合成TTS本地部署（Python环境）使用难度
站长实测状态尚未登记
C
外部应用ChatTTS｜面向对话场景的中英文文本转语音模型
一个专为大语言模型对话场景设计的中英文语音合成模型，生成语音节奏自然，适合做 AI 助手语音播报和对话类应用的开发者本地部署尝试。
语音合成TTS本地部署，运行环境以仓库文档为准使用难度
站长实测状态尚未登记
W
外部应用Whisper｜开源多语种语音识别模型
Whisper 是 OpenAI 开源的语音识别模型，通过大规模弱监督数据训练，可将多语种语音转写为文本，适合做会议记录、字幕初稿等场景的研究者与开发者本地或自建服务使用。
语音识别与字幕跨平台，需自行部署使用难度
站长实测状态尚未登记
D
外部应用DwarfStar（ds4）｜C 语言原生本地大模型推理引擎
一款用 C 从零编写的本地大模型推理引擎，面向希望在消费级 Mac 或大显存显卡上运行少量开源模型的开发者，支持兼容接口与本地编程助手接入。
LLM 推理与部署macOS、Linux（需自行编译，待核验）使用难度
站长实测状态尚未登记
M
外部应用MiniMax H3｜开源多模态音视频生成系统
MiniMax 开源的通用多模态生成系统，支持文生视频、图生视频与音视频生成，适合有本地部署条件的研究者与开发者自行搭建使用。
AI 视频创作本地部署，支持 SGLang、vLLM、diffusers、ComfyUI 等推理途径使用难度
站长实测状态尚未登记