Orpheus TTS：基于 LLM 的开源文本到语音合成工具，支持零样本克隆与低延迟流式推理
Orpheus TTS是由Canopy AI开发的开源文本到语音（TTS）系统，以Llama-3b大型语言模型（LLM）为骨干，突破性地将LLM能力应用于语音合成领域。该项目支持零样本语音克隆、可控...
OmniVinci：NVIDIA开源的全模态理解大语言模型，高效融合视觉、音频与文本信息
OmniVinci是由NVIDIA等机构开发的开源全模态理解大语言模型（Omni-Modal Understanding LLM），旨在通过创新架构与高效数据构建，实现对视觉（图像、视频）、音频、文本信息...
Glyph：开源视觉-文本压缩框架，突破大模型长上下文处理瓶颈
Glyph是一个创新的开源框架，通过视觉-文本压缩技术解决大模型长上下文处理难题。其核心逻辑是将超长文本渲染为紧凑图像，借助视觉-语言模型（VLMs）实现高效语义理解，在降...
GigaBrain-0：开源多模态世界模型，赋能视觉 - 语言 - 动作协同智能交互
GigaBrain-0 是一款开源的视觉 - 语言 - 动作融合模型，以世界模型为核心技术支撑，能够同时处理视觉输入、语言指令和动作输出，实现智能体对动态环境的实时理解与交互。该...
Agent Squad：AWS Labs 开源多代理编排框架，智能处理复杂对话与团队协作
Agent Squad 是 AWS Labs 开发的一款灵活、轻量的开源框架，专注于实现多个 AI 代理（Agents）的高效协作与任务编排，以处理复杂对话场景。它具备智能意图分类、动态代理路...
Kotaemon：开源 RAG 交互工具，兼顾用户友好与开发灵活的文档对话解决方案
Kotaemon 是一款开源的检索增强生成（RAG）UI 工具，旨在为终端用户提供简洁的文档对话交互界面，同时为开发者提供可定制的 RAG 管道框架。它支持多模型集成（包括 OpenAI、...
OpenPI：开源视觉-语言-动作模型库，赋能机器人感知与交互能力
OpenPI是由Physical Intelligence团队开源的机器人智能模型工具包，核心目标是降低机器人“感知-理解-动作”全链路技术的开发门槛。它基于10k+小时的真实机器人交互数据，提...
Supermemory：开源 AI 驱动记忆管理工具，多源内容整合与智能交互
Supermemory是一个开源的“记忆管理系统”，其核心理念是帮助用户构建一个可交互的“数字记忆库”——无论是网页链接、PDF文档、纯文本笔记，还是来自Notion、Google Drive...
Fish Speech：开源文本转语音解决方案，支持高质量语音合成与跨语言语音克隆
Fish Speech（后更名OpenAudio）是由fishaudio团队开发的开源文本转语音（TTS）解决方案，核心基于OpenAudio-S1系列模型，提供高质量语音合成、跨语言语音克隆、情感语气控...
OpenMemory：开源自托管AI记忆引擎，基于分层架构实现LLM持久化语义记忆
OpenMemory是一款开源、自托管、框架无关的AI记忆引擎，旨在为大型语言模型（LLM）应用提供持久化、结构化和语义化的记忆能力。它通过独特的分层记忆分解（HMD v2）架构，解...