Sensitive content

This media may contain sensitive content.

Загрузка видео...

Не удалось загрузить видео

На главную

一个相当牛的开源项目 Windows-Use，让任何大语言模型直接控制操作 Windows 系统。 支持打开应用、按钮点击、文字输入等基础交互，可自动化执行命令，实现系统级别的自动化操作。 GitHub： 同时可实时捕获和理解界面状态，智能判断下一步操作，不依赖传统的计算机视觉模型。 支持 Windows 7 到 Windows 11 全系列系统，可直接语音输入，动动嘴皮就能控制电脑。

GitHub_Daily's profile picture

GitHubDaily

51,682 subscribers

35,658 просмотров • 11 месяцев назад •via X (Twitter)

NSFW
LIVE

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

阶跃开源了一个统治级 130B 的超大语音模型！！！ 业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统 - 支持多语言对话（中文，英文，日语） - 语音情感（开心，悲伤） - 方言（粤语，四川话） - 可控制语速及韵律风格 - 支持RAP和哼唱等 - 语音克隆 太强了，这下真的一步到位了
1:00

阶跃开源了一个统治级 130B 的超大语音模型！！！ 业界首个集语音理解与生成控制一体化的产品级开源实时语音对话系统 - 支持多语言对话（中文，英文，日语） - 语音情感（开心，悲伤） - 方言（粤语，四川话） - 可控制语速及韵律风格 - 支持RAP和哼唱等 - 语音克隆 太强了，这下真的一步到位了

歸藏(guizang.ai)

148,679 просмотров • 1 год назад

Windows MCP工具，用AI控制Windows电脑，来执行文件导航、应用程序控制、UI交互、QA测试等操作 与Windows UI元素进行原生交互，通过（点击、输入、滚动、快捷键、运行命令）工具，打开应用程序、控制窗口、模拟用户输入等 其集成了模拟鼠标点击、键盘输入、滚动屏幕等各种工具 支持Windows 7, 8, 8.1, 10, 11 #MCP #WindowsMCP
0:50

Windows MCP工具，用AI控制Windows电脑，来执行文件导航、应用程序控制、UI交互、QA测试等操作 与Windows UI元素进行原生交互，通过（点击、输入、滚动、快捷键、运行命令）工具，打开应用程序、控制窗口、模拟用户输入等 其集成了模拟鼠标点击、键盘输入、滚动屏幕等各种工具 支持Windows 7, 8, 8.1, 10, 11 #MCP #WindowsMCP

AIGCLINK

31,573 просмотров • 1 год назад

在 Linux 上干活时偏偏要用 Windows 应用，往往只能切回 Windows，一来一回把节奏全打断。 现在有个更省心的办法：开源工具 WinBoat，让你在 Linux 里直接跑 Windows 应用，不必再频繁切系统。 它把 Windows 作为虚拟机塞进 Docker，并和 Linux 桌面做了深度整合：Windows 应用能以原生窗口的形式直接出现在你的 Linux 桌面上，还能和本机文件系统互通。 GitHub： 官网： 主要功能： - 界面简洁，Windows 应用自然融入 Linux 桌面 - 安装流程自动化，选好配置即可一键部署 - 几乎可运行任意 Windows 应用，原生窗口显示 - 支持进入完整 Windows 桌面，需要时随时切换 - 文件系统集成，Linux 目录可自动挂载到 Windows 使用条件： - Linux 至少 4GB 内存 - 已开启 KVM 虚拟化 - 已安装 Docker 获取方式： 到项目 Releases 页面下载 AppImage，解压安装后即可使用。
0:47

在 Linux 上干活时偏偏要用 Windows 应用，往往只能切回 Windows，一来一回把节奏全打断。 现在有个更省心的办法：开源工具 WinBoat，让你在 Linux 里直接跑 Windows 应用，不必再频繁切系统。 它把 Windows 作为虚拟机塞进 Docker，并和 Linux 桌面做了深度整合：Windows 应用能以原生窗口的形式直接出现在你的 Linux 桌面上，还能和本机文件系统互通。 GitHub： 官网： 主要功能： - 界面简洁，Windows 应用自然融入 Linux 桌面 - 安装流程自动化，选好配置即可一键部署 - 几乎可运行任意 Windows 应用，原生窗口显示 - 支持进入完整 Windows 桌面，需要时随时切换 - 文件系统集成，Linux 目录可自动挂载到 Windows 使用条件： - Linux 至少 4GB 内存 - 已开启 KVM 虚拟化 - 已安装 Docker 获取方式： 到项目 Releases 页面下载 AppImage，解压安装后即可使用。

Joruno

28,728 просмотров • 4 месяцев назад

MaskGCT：一个新的零样本文本到语音（TTS）模型 支持跨语言翻译配音、语音克隆、语言转换、情感控制等 与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。 支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。 同时模型大幅降低了推理时间，适合实时应用​。
1:55

MaskGCT：一个新的零样本文本到语音（TTS）模型 支持跨语言翻译配音、语音克隆、语言转换、情感控制等 与现有的TTS系统相比，MaskGCT 在语音的自然度、相似度和可理解性方面表现更佳。 支持对语音生成的多样性和情感控制以及对通过文本对音频内容进行实时可控编辑。 同时模型大幅降低了推理时间，适合实时应用​。

小互

49,431 просмотров • 1 год назад

在 GitHub 上发现一款创新性的开源自动化 AI 工具：Terminator。 它不像以往通过 OCR 识别屏幕内容，而是直接 “理解” 电脑上的应用像解析 HTML 网站一样，快速、准确地控制我们电脑上的各种软件。 对比传统 OCR 自动化工具，有如下的特点： - 速度特别快，比传统方法快很多倍； - 即使软件窗口被遮挡或在后台，也能操作； - 非常稳定，不容易因为界面变化而失效。 GitHub： 目前主要支持 Windows 系统，macOS 系统仅支持部分功能。 如果你对让电脑自动完成任务感兴趣，这个项目的原理不妨学习看下。
0:20

在 GitHub 上发现一款创新性的开源自动化 AI 工具：Terminator。 它不像以往通过 OCR 识别屏幕内容，而是直接 “理解” 电脑上的应用像解析 HTML 网站一样，快速、准确地控制我们电脑上的各种软件。 对比传统 OCR 自动化工具，有如下的特点： - 速度特别快，比传统方法快很多倍； - 即使软件窗口被遮挡或在后台，也能操作； - 非常稳定，不容易因为界面变化而失效。 GitHub： 目前主要支持 Windows 系统，macOS 系统仅支持部分功能。 如果你对让电脑自动完成任务感兴趣，这个项目的原理不妨学习看下。

GitHubDaily

38,589 просмотров • 1 год назад

一个全平台的本地 LLM 聊天软件Jan，支持自动下载模型以及非常详细的设置。懒得配置 Ollama 的可以试试。 除了支持本地模型以外，在线的模型可以使用 API 接入，All in one 的模型管理。交互和 UI 也都很合理。 同时支持在系统的任何可以输入的地方调取模型能力。
0:26

一个全平台的本地 LLM 聊天软件Jan，支持自动下载模型以及非常详细的设置。懒得配置 Ollama 的可以试试。 除了支持本地模型以外，在线的模型可以使用 API 接入，All in one 的模型管理。交互和 UI 也都很合理。 同时支持在系统的任何可以输入的地方调取模型能力。

歸藏(guizang.ai)

47,533 просмотров • 2 лет назад

UI-TARS：字节跳动开源一种能够自我学习的GUI Agent 它能模拟人类操作手机和电脑并完成任务 并具备高级的感知、推理和交互能力 与传统依赖模块化框架或手工提示优化的系统不同，UI-TARS采用端到端架构，依赖纯视觉输入，实现了对复杂任务的全面自动化。 UI-TARS 的特点： - 看得懂界面：能理解界面上的按钮、输入框等元素，还能精准找到它们的位置。 - 多平台通用：不管是手机、电脑还是网页，UI-TARS 都能轻松适应。 - 高级推理能力：支持复杂任务的分解与多步决策，能自己规划步骤，遇到问题会反思并修正错误。 - 不断学习：通过反思和在线采集更多任务数据，它可以不断优化和适应新的任务场景，变得越来越聪明。
1:13

UI-TARS：字节跳动开源一种能够自我学习的GUI Agent 它能模拟人类操作手机和电脑并完成任务 并具备高级的感知、推理和交互能力 与传统依赖模块化框架或手工提示优化的系统不同，UI-TARS采用端到端架构，依赖纯视觉输入，实现了对复杂任务的全面自动化。 UI-TARS 的特点： - 看得懂界面：能理解界面上的按钮、输入框等元素，还能精准找到它们的位置。 - 多平台通用：不管是手机、电脑还是网页，UI-TARS 都能轻松适应。 - 高级推理能力：支持复杂任务的分解与多步决策，能自己规划步骤，遇到问题会反思并修正错误。 - 不断学习：通过反思和在线采集更多任务数据，它可以不断优化和适应新的任务场景，变得越来越聪明。

小互

46,108 просмотров • 1 год назад

机器人的动作进步速度快得令人害怕。 庞大的真实世界数据集和 VLA 模型如今让视觉-语言能力转化为流畅的连续控制； 扩散策略（diffusion policies）能够生成连贯的动作序列； 而柔顺的感知-执行系统则减少了抖动。
0:33

机器人的动作进步速度快得令人害怕。 庞大的真实世界数据集和 VLA 模型如今让视觉-语言能力转化为流畅的连续控制； 扩散策略（diffusion policies）能够生成连贯的动作序列； 而柔顺的感知-执行系统则减少了抖动。

AI Will

20,381 просмотров • 8 месяцев назад

阿里又开源了一个很绝的项目——PageAgent AI 可以直接操作网页。 它最打动我的一点是： 把最烦人的数据录入干掉了。 很多公司每天都在做这种重复工作： 复制数据 → 打开系统 → 填表 → 提交 以后可能只需要一句话： “帮我填写客户信息。” AI 就会自动识别网页结构，把整个流程全部做完。 几个非常实用的场景： 1. 自动填写网页 CRM 表单、注册表单、订单系统 直接让 AI 帮你把网页表单填好。 2. AI 网站助手（Web Copilot） 用户可以直接说： - 帮我找订单 - 生成报表 - 搜索商品 AI 自动在后台页面完成操作。 3. 企业系统自动化 ERP、CMS、内部管理系统 AI 可以直接操作后台 UI，把复杂流程自动化。 4. 无障碍辅助 语音 → 操作网页 用户说话就能完成网页操作。 和很多 Agent 不一样的是，它 不靠截图识别界面，而是直接读取 HTML DOM，所以： - 更快 - 更稳定 - 成本更低 而且整个系统 直接运行在浏览器里，不需要： - Puppeteer - Playwright - Python 自动化 相当于给网站装了一个 AI 操作员。 未来很多网站可能会变成这样： 用户不点按钮，而是直接和 AI 说话。
0:39

阿里又开源了一个很绝的项目——PageAgent AI 可以直接操作网页。 它最打动我的一点是： 把最烦人的数据录入干掉了。 很多公司每天都在做这种重复工作： 复制数据 → 打开系统 → 填表 → 提交 以后可能只需要一句话： “帮我填写客户信息。” AI 就会自动识别网页结构，把整个流程全部做完。 几个非常实用的场景： 1. 自动填写网页 CRM 表单、注册表单、订单系统 直接让 AI 帮你把网页表单填好。 2. AI 网站助手（Web Copilot） 用户可以直接说： - 帮我找订单 - 生成报表 - 搜索商品 AI 自动在后台页面完成操作。 3. 企业系统自动化 ERP、CMS、内部管理系统 AI 可以直接操作后台 UI，把复杂流程自动化。 4. 无障碍辅助 语音 → 操作网页 用户说话就能完成网页操作。 和很多 Agent 不一样的是，它 不靠截图识别界面，而是直接读取 HTML DOM，所以： - 更快 - 更稳定 - 成本更低 而且整个系统 直接运行在浏览器里，不需要： - Puppeteer - Playwright - Python 自动化 相当于给网站装了一个 AI 操作员。 未来很多网站可能会变成这样： 用户不点按钮，而是直接和 AI 说话。

开发者Hailey

85,884 просмотров • 5 месяцев назад

Windows 有救了？ Codex 昨晚又发布了大量体验更新，很多都超级有用，尤其是对 Windows 用户。 大家最期待的支持了 Windows 的 computer Use，以及通过移动端的 ChatGPT 远程控制 Windows 上的 Codex。 但是 Windows 上的 Computer Use，在它控制的时候你是不能控制的。这跟 Mac 上的不太一样。 聊天记录控制功能：能够控制你的聊天记录，比如置顶、查找、创建新的归类、存档等一系列操作。 新增个人资料页面：能看到你消耗的 Token、连续登录天数、最长的任务。 ChatGPT 上的 Codex 控制，现在支持了以下功能： 侧边对话：你可以不打断主对话，新开一个分支继续跟 AI 基于当前项目或任务进行对话，输入/side 开启 一键模型切换：通过长按即可快速切换模型。 iPad 专属快捷方式：支持从快捷方式直接进入 Codex，无需通过侧边栏切换。 Git Diff 显示：对话结束后，系统会显示 Git 上的 Diff，即你代码编辑的不同部分。
3:21

Windows 有救了？ Codex 昨晚又发布了大量体验更新，很多都超级有用，尤其是对 Windows 用户。 大家最期待的支持了 Windows 的 computer Use，以及通过移动端的 ChatGPT 远程控制 Windows 上的 Codex。 但是 Windows 上的 Computer Use，在它控制的时候你是不能控制的。这跟 Mac 上的不太一样。 聊天记录控制功能：能够控制你的聊天记录，比如置顶、查找、创建新的归类、存档等一系列操作。 新增个人资料页面：能看到你消耗的 Token、连续登录天数、最长的任务。 ChatGPT 上的 Codex 控制，现在支持了以下功能： 侧边对话：你可以不打断主对话，新开一个分支继续跟 AI 基于当前项目或任务进行对话，输入/side 开启 一键模型切换：通过长按即可快速切换模型。 iPad 专属快捷方式：支持从快捷方式直接进入 Codex，无需通过侧边栏切换。 Git Diff 显示：对话结束后，系统会显示 Git 上的 Diff，即你代码编辑的不同部分。

歸藏(guizang.ai)

37,391 просмотров • 3 месяцев назад

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github： 论文： #LLM #实时语音对话LLM
0:59

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github： 论文： #LLM #实时语音对话LLM

AIGCLINK

52,402 просмотров • 2 лет назад

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP
0:34

上海交大和微软开源的一款【端到端的语音到语音翻译系统：TransVIP】，它可以保持原声特征、保持源语音和目标语音时长同步 它的声音特点和说话的节奏感保持的非常不错，比较自然流畅，时长控制的也比较精确，很适合做视频配音、跨语言直播或实时语音翻译 直接从源语音到目标语音，无需中间步骤，处理延迟低 源语音和目标语音时长保持一致，可以避免口型不同步问题 项目： github： #AI实时翻译 #TransVIP

AIGCLINK

56,071 просмотров • 1 год назад

Hermes Studio 群聊将在下个版本迎来一次重要升级。👾 全新的群聊系统将支持自由组合： 👾任意 Agent 👾任意模型 👾任意 Profile 同时，我们对群聊上下文系统进行了全面重构，引入滚动总结机制。 在长时间、多角色的持续讨论中，系统能够动态提炼关键信息，在控制上下文长度的同时，更好地保持讨论连贯性与核心记忆。 让不同能力、不同模型和不同角色真正汇聚在同一个协作空间中。Nous Research witcheer
1:13

Hermes Studio 群聊将在下个版本迎来一次重要升级。👾 全新的群聊系统将支持自由组合： 👾任意 Agent 👾任意模型 👾任意 Profile 同时，我们对群聊上下文系统进行了全面重构，引入滚动总结机制。 在长时间、多角色的持续讨论中，系统能够动态提炼关键信息，在控制上下文长度的同时，更好地保持讨论连贯性与核心记忆。 让不同能力、不同模型和不同角色真正汇聚在同一个协作空间中。Nous Research witcheer

libapi

11,968 просмотров • 27 дней назад

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数 全双工，可以同时听和说 超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感 是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统
1:03

首个开源的会话音频生成基础模型：Hertz-dev，实时语音交互，8.5亿参数 全双工，可以同时听和说 超低延迟，可在120毫秒内回应，像和真人对话一样流畅，没有明显卡顿感 是目前公开的同类系统中最快的 github： #Hertzdev #AI实时语音系统

AIGCLINK

34,506 просмотров • 1 год назад