开源项目

可将动态涂鸦融入视频中的编辑技术VideoDoodles https://em-yu.github.io/research/videodoodles/ 这项技术能够在视频中的物体上添加动态涂鸦，并且涂鸦能够随着物体的移动而移动，并以适当的透视和遮挡进行表达。使用这项技术可以轻松地创造出独特而令人印象深刻的视频，而无需专业技能或大量时间。 来源：https://mp.weixin…

该项目包括两个核心模型: SenseVoice和CosyVoice，分别致力于语音生成和语音识别。FunAudioLLM支持多种人机交互应用场景，如多语言翻译、情绪语音对话、互动播客和有声读物等。 地址： https://fun-audio-llm.github.io 在线体验地址： https://www.modelscope.cn/studios/iic/CosyVoice…

快手“可图”大模型于今年 5 月对外开放，目前已经上线网页版和微信小程序，支持文生图和图生图两类功能，可用于 AI 创作图像以及 AI 形象定制。 在 AI 创作模块，用户只需输入描述文字并选择期望的画作风格，即可快速获取专属的 AI 画作。其中，画作风格可以选择默认、皮克斯、卡通盲盒、新海诚、动漫 3D、怀旧动漫、电子游戏、水彩插画、莫奈油画、高清写实等。 此外，用户还可以上…

1、使用 PyMuPDF 库，对 PDF 进行解析出所有非文本区域，并做好标记 2、使用视觉大语言模型（如 GPT-4o）将 PDF 解析为 markdown。 我们的方法非常简单(只有293行代码)，但几乎可以完美地解析排版、数学公式、表格、图片、图表等。 每页平均价格：0.013 美元 项目地址： https://github.com/CosmosShadow/gptpdf

微软在官网开源了基于图的RAG（检索增强生成）——GraphRAG，通过构建知识图谱来增强大模型的搜索、问答、摘要、推理等能力。Graph RAG的核心是通过两阶段构建基于图谱的文本索引，帮助大模型更好地捕捉文本中的复杂联系和交互。该方法在处理大规模数据集时表现出色，提升了信息检索和生成的协同工作，适用于处理复杂问题和解读PDF、Word等文档。 项目地址： https://g…

Fish Speech是一个开源的TTS模型，支持中英日语言，语音处理接近人类水平。模型使用约十五万小时的三语数据训练，对中文支持非常完美。 项目地址： https://github.com/fishaudio/fish-speech 体验地址： https://fish.audio/zh-CN/text-to-speech 这是邓紫棋的声音：

该研究提出了一种名为MimicMotion的可控视频生成框架，可以生成任意长度的高质量视频，并具有自信的姿势引导。该方法结合了图像到视频扩散模型和新颖的自信姿势引导，通过这种方式，视频的生成质量和流畅度得到了显著提高。研究表明，MimicMotion在多个方面都比以往方法有显著改进，是视频生成领域的重要进展。 项目地址： https://tencent.github.io/Mi…

Dify-FeiShu-bot是一个使用python FastAPI框架编写的后端，可以非常方便的支持利用Dify接入飞书搭建飞书机器人，并且充分利用飞书消息卡片，可以搭建出漂亮的UI界面。 项目特点： 项目地址： https://github.com/Mr-KID-github/Dify-FeiShu-bot

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。 这里可以在线体验： https://fal.ai/models/fal-ai/aura-sr/playground…