AI · 算法工程
共 1,645 个仓库 · Python
基于 so-vits-svc 改进的歌声与语音转换工具，支持实时变声、更友好的操作界面和更多功能，适合做 AI 翻唱和音色克隆。
基于 OpenSPG 引擎和大模型构建的逻辑推理与检索框架，用逻辑形式引导专业领域知识库做事实问答，解决传统 RAG 向量相似度检索在多跳推理上不可靠的问题。
基于 PyTorch 的深度概率编程库，用 Python 写贝叶斯模型，支持变分推断和 MCMC，适合做不确定性建模与生成模型研究。
字节跳动开源的文档图像解析模型，用异构锚点提示把 PDF 和图片里的版面、文字、表格一次性解析成结构化内容，适合喂给 RAG 或做文档分析。
医学影像分割的深度学习工具箱，开箱即用，能自动配置训练流程，在 CT、MRI 等 3D 数据上达到竞赛级精度。
追踪 3D Gaussian Splatting 研究进展的论文与资源精选列表，帮你在快速爆发的 3DGS 领域里快速找到关键工作和实现代码。
Python 语音识别库，统一封装多种在线和离线引擎与 API，几行代码就能把音频转成文字，省去逐个对接各家服务的麻烦。
A sound cloning tool with a web interface, using your voice or any sound to record audio / 一个带web界面的声音克隆工具，使用你的音色或任意声音来录制音频
把训练好的模型快速封装成推理 API 和任务队列，支持 LLM 应用与多模型流水线，省去自己搭服务框架的麻烦。
把 EPUB 电子书转成有声书的 Python 工具，基于 Kokoro 语音合成模型，适合想批量制作个人音频书的人。
Accelerate local LLM inference and finetuning (LLaMA, Mistral, ChatGLM, Qwen, DeepSeek, Mixtral, Gemma, Phi, MiniCPM, Qwen-VL, MiniCPM-V, etc.) on Intel XPU (e.g., local PC with iGPU and NPU, discrete GPU such as Arc, Flex and Max); seamlessly integrate with llama.cpp, Ollama, HuggingFace, LangChain, LlamaIndex, vLLM, DeepSpeed, Axolotl, etc.
基于 PyTorch 的医学影像深度学习工具包，提供数据加载、预处理、网络结构和评估等组件，帮研究者快速搭建医疗影像 AI 流程。
用两小时从零训练一个 65M 参数的多模态视觉语言模型，代码和流程完整，适合低成本复现 VLM 训练与对话实验。
基于 VITS2 骨干网络和多语言 BERT 的语音合成模型，能生成自然度较高的多语种语音，适合做 TTS 训练与推理。
实时监控 Claude Code 的用量，预测额度消耗并在接近上限时提前告警，帮你在终端里随时掌握 token 使用情况。
面向 Android 设备的全栈控制平台，集成 WebRTC 远程桌面、UI/OCR 自动化、一键 MITM 抓包和内置 Frida，适合多设备集群的自动化测试与逆向分析。
一份三语（繁中/英文/简中）的 Agentic AI 学习路线图，从 LLM 基础一路讲到多智能体系统，收录 240+ 精选资源和动手示例，适合系统入门 AI Agent。
一套免费的 Claude 技能集，能逆向分析任意应用、复刻重建并测试修 bug，还能按用户反馈改进，适合独立开发者快速克隆产品。
面向 OPC 和中小微企业的自媒体获客智能体，用多智能体协作自动完成内容抓取、RPA 操作和营销获客流程。
多音色、支持提示词控制情感与风格的语音合成引擎，输入文本即可生成带情绪表现力的自然语音，适合做有声内容和虚拟人配音。
让大模型在普通显卡上跑起来的 PyTorch 量化库，支持 8-bit 和 4-bit 权重压缩，也是 QLoRA 微调背后的核心依赖。
基于 ONNX Runtime、OpenVINO、PaddlePaddle 等多家推理后端的 OCR 工具包，支持多语言识别，方便在不同硬件上快速部署文字检测与识别。
基于深度学习的中文语音识别系统，用 CNN+CTC 把中文语音转成文字，适合搭建本地语音转写服务。
用 Python 写的开源深度研究工具，能对私有数据做推理式检索，替代闭源深度研究方案，支持接入 Milvus 和多种大模型。