又发现 GitHub 上一款开源强大的文本转语音工具：Abogen。 能快速将 ePub、PDF 或文本文件转换成高质量音频，并生成匹配的字幕。 GitHub： 主要特性： -... 支持 ePub、PDF、TXT 多种文件格式输入 - 基于 Kokoro-82M 模型生成自然流畅语音 - 自动生成时间同步字幕文件 - 内置语音混合器创建个性化声音 - 支持多种语言包括中文、英文、日语等 - 批量队列处理多个文件 提供 Windows 一键安装器，同时支持 pip 安装和 Docker 部署方式。show more

#工程师工具 看到一个在线文字转语音的工具「TTSMaker」，提供语音合成服务，支持多种语言以及各种风格，可以用它朗读文本或者合成视频声音，可完全免费用于商业场景，弄好后直接下载文件，普通用户每周限制 20000 个字符使用，基本够用。 🤖

找了很久的本地格式转换工具，终于找到完美方案。 VERT - 开源转换神器 ✓ 完全本地运行(基于 WebAssembly) ✓ 无文件大小限制... ✓ 支持 250+ 格式:图片/音频/文档/视频 ✓ Docker 一键部署 + 中文支持 ✓ 界面简洁(Svelte 开发) 特别适合: - 批量转 WebP 减少网站体积 - 处理敏感文件不想上传云端show more

在 GitHub 上发现一款完全本地运行的开源 AI 助手：Eclaire，集成了超多 AI 功能。 支持文档、图片、笔记、书签等数据类型的统一管理，并通过本地 LLM... 模型提供问答对话。 同时内置强大的文档处理能力，支持 PDF、Docx、PNG 等多种格式。 GitHub： 除此之外，还有 OCR 文字识别、批量格式转换等 AI 功能。 通过 Docker 一键部署使用，支持 macOS、Linux、Windows 系统，并提供 API 接口，兼容 OpenAI 标准格式。show more

一款轻量级的音频转文本开源免费工具：Youtube-Whisper。 只需输入 YouTube 视频链接，即可提取其中音频，并利用 OpenAI Whisper 模型进行语音转文本。 GitHub： 工具提供了在线免费体验地址，可选择英语、西班牙语、法语等语言。 在线体验：

Glarity 插件 - 基于 ChatGPT 和 YouTube 字幕生成视频摘要 不得不说，这个插件实在是太强了，可以提前预定我的年度插件之选了😆... ✅ 提取文章内容 ✅ 生成大量文本的概要或总结 ✅ 用中文总结各种语言视频 🔗安装链接：show more

在 GitHub 上发现了一个 Notion 和 Slack 的开源平替方案：Colanode，本地优先，数据隐私安全。 作为开源协作平台，功能颇为全面，集实时聊天、文档编辑、数据库管理和文件存储于一体。 GitHub：... 主要功能： - 实时聊天系统类似 Slack，支持团队和个人即时通讯 - 富文本页面编辑器，类似 Notion 的文档和笔记功能 - 可自定义数据库，支持表格、看板、日历等多种视图 - 文件管理系统，在安全工作空间内存储和分享文件 - 离线工作支持，网络中断时仍可正常使用 提供 Web 应用和桌面应用两种使用方式，同时支持 Docker 和 Kubernetes 自部署。show more

分享 GitHub 上一款能自动生成 Cursor 高质量的 MDC 规则文件开源工具：MDC Rules Generator。... 利用 Exa 语义搜索和 LLM 技术，自动收集各种库的最佳实践并生成结构化内容，还支持并行处理和进度跟踪，简化 Cursor 规则创建过程。 GitHub： 主要功能： - 为各种库自动生成全面的 MDC 规则文件； - 使用 Exa 语义搜索智能收集最佳实践指南； - 利用 LLM 创建详细、结构化的内容； - 支持并行处理多个库，大幅提高效率； - 智能跟踪进度，允许随时恢复中断的任务。 通过克隆代码到本地，安装依赖并配置 API 密钥即可使用，正在使用 Cursor 同学可以看下。show more

又发现一款跨设备文件分享的开源免费工具：Croc，可以放弃使用网盘或硬盘了。 无需在同一网络下，允许任意两台电脑之间传输文件或文件夹，不限制大小，并提供端到端加密，更安全更快速地分享。 GitHub： 除此之外，还支持多文件传输，以及中断后的断点续传功能。 支持 Windows、Linux 和 macOS 一键安装使用。

一款高效的开源浏览器翻译插件：FluentRead。 可以将网页上的文字翻译成任何语言，支持 20+ 种翻译服务，包括DeepL 翻译、DeepSeek、OpenAI等。 GitHub： 此外，还支持双语对照，并提供丰富的自定义选项，让阅读更加流畅高效。 目前已上架各大浏览器商店，可以安装体验下。

阿里刚刚开源了TTS：Fun-CosyVoice3 0.5B，zero-shot音色克隆，可本地部署 还开源了款ASR【Fun-ASR-Nano 0.8B】，Fun-ASR的轻量化版本，推理成本更低，可以本地及定制化微调 另外，Fun-CosyVoice3模型做了升级，首包延迟比之前降低了50%，WER降低了56.4%，复杂场景字符错误率降低了26% 支持9种通用语言、18种中文方言、9种情感控制，可以跨语种音色复刻，比如说，用一段普通话录音可生成粤语、日语、英语等 支持双向流式合成，“输入即发声”，这个适用于语音助手、直播配音、无障碍阅读等等实时场景 Fun-ASR也升级了，噪声场景下准确率到了93%，新增歌词与说唱识别能力，支持31种语言自由混说无需预先指定语种 覆盖7大方言和26种地方口音，流式识别模型的首字延迟降低到了160ms... #TTS #ASRshow more

字节、港中文等最新搞了一个专用于人-物交互的端到端视频生成模型：OmniShow，妥妥的电商广告专用模型 全模态，一个模型通吃图+音+姿势+文本输入 任务可以覆盖R2V、RA2V、RP2V、RAP2V四种生成模式，目前应该是唯一一个支持同时用图像+音频+姿势+文本混合输入的 人脸保持、物理合理性、表现力及口型同步看起来效果都还可以 原生长镜头生成，最长可生成10秒连续视频 目前代码还没放出来 #人物视频生成模型 #OmniShow #电商视频生成

千问开源Qwen3-TTS 除了常规的文本生成语音，还支持设计声音和语音克隆。分0.6B和1.7B两个大小。效果不错，速度也很快。语音克隆的音色还原还可以，但是情感还原上不如Index TTS2。 模型： 在线体验：

Fun-CineForge：阿里开源的AI生成影视配音 输入视频+文本，AI生成配音，能识别多个角色，能按要求设置配音风格，生成的配音节奏与视频里说话的唇形同步。演示视频的声音效果非常好。 项目地址： 模型：

做自媒体之后，我的下载文件夹，基本长期失控。 素材、品牌资料、截图、PDF 全堆在一起。 今天要交付内容时，我打开文件夹—— 80 个文件，完全炸了 于是，让 AI 接管了我的电脑... 80 个文件， 3 分钟， 1 句话整理完成。 没有插件。 没有脚本。 没有写一行代码。 我只做了这一件事： 打开 EasyClaw 👉 输入一句话： 「“整理我的下载文件夹，按类型分类、重命名、删除重复文件，并生成整理报告”」 然后它开始自己工作： ✔ 自动识别文件类型 ✔ 读取创建时间 ✔ 批量重命名 ✔ 自动建文件夹 ✔ 清理重复文件 我没有拖动一个文件。 这不是“文件整理”。 这是—— AI 直接接管操作系统。 2026 年， 不会写代码的人， 也可以做自动化。show more

如何高效获取中英文区最有价值的信息流？ 这两个是社区普遍推荐的免费开源工具，能自动抓取中英文区全网热点、AI筛选高价值内容、生成翻译+深度分析简报并一键推送👇 1. TrendRadar（58k+ stars） 中文区：自动抓取知乎、抖音、B站、微博、今日头条等11+主流平台 + RSS热点，AI筛选高价值内容，生成分析简报，支持微信/TG/飞书/钉钉/Bark推送 GitHub：... 2. Horizon（4.6k+ stars） 英文区：自动抓取Hacker News、Reddit、X、GitHub Release、Telegram等海外平台，AI 自动过滤噪音+去重+神评论提取+背景补全，生成中英双语日报，一键推送飞书/邮箱/GitHub Pages GitHub： 一个搞定中文信息流，一个搞定英文信息流，直接喂给你的agent安装部署即可🥸show more

又在 GitHub 上发现一个专为快速构建 Web 应用的强大 AI 编程助手：Claudable。 将本地 CLI... 终端编程 Agent，如 Claude Code、Gemini CLI、Qwen Coder、Cursor 等，与 Lovable 结合。 只需使用自然语言简单描述一下想法，就能瞬间生成完整的 Next.js 应用，并且可在编辑器里实时预览效果。 GitHub： 主要功能： - 支持多种 AI 编程 Agent，包括 Claude Code、Cursor CLI、Gemini CLI 等 - 自然语言描述想法，即可生成生产级 Next.js 应用 - 实时预览功能，改动代码可实时查看结果 - 具备自动错误检测和修复，提升开发效率 - 集成 Supabase 数据库，支持用户认证和数据存储 - 生成的 Web 应用，支持一键部署到 Vercel，无需复杂配置 目前工具仅支持通过本地安装部署使用，提供了详细的步骤说明，感兴趣的开发者可以看一下。show more

来个本地 RAG 框架 Lobe Chat，这个框架在 Github 上已经有59K Star了。 Lobe... Chat 上常用的本地AI功能都有，包括各个服务商的接口，文件上传、知识管理、 RAG、多模态、生成动态 SVG 图形、构建并渲染交互式 HTML 页面、生成多种格式的文档等等 地址：show more

Memo AI 1.3.5 重磅更新，支持纯本地离线说话人识别分类！隐私会议，对话场景不用上传云端也能区分说话人。当然还有： 1. Cuda 模式转写速度较 GPU 提升... 100%，1 小时音频 4080s 最高质量模型转字幕只需要 2 分钟。 2. 支持选择片段重新语音转文字，应对多语言场景游刃有余 3. 升级支持与帮助的问题提交方式，有问题左下方帮助与支持提问题给我们。show more

在 GitHub 上发现一款能真正自主完成任务的 AI 桌面 Agent：NeuralAgent，解放我们双手，自动操作电脑。 它能直接在桌面上执行各种操作，如打字、点击、浏览网页、填写表单、发送邮件，甚至可以在后台自动完成复杂任务。 GitHub： 主要特性：... - 桌面自动化操作，支持鼠标键盘控制和窗口管理 - 后台浏览器自动化，可自动处理网页任务 - 支持多种 AI 模型，包括 OpenAI、Anthropic、Gemini 等 - 模块化 Agent 架构，包含规划、分类、建议等专门 Agent - 多模态支持，结合文本和视觉信息理解任务 - FastAPI 后端配合 Electron 桌面应用，提供流畅操作体验 搭建颇为复杂，不过提供了完整安装指南，并兼容 Windows、macOS 和 Linux 系统。感兴趣的同学可以部署运行体验下。show more