推荐六个实测且实用的AI开源项目-近一周

前言：

好久没有写开源项目推荐了，因为这块的流量一直很低。

我暂时还不太喜欢标题党，所以很多同学刷到了，基本上也不会点击，看了也不会点赞，点关注~

但近一周出现了好几个非常有用的项目，我自己试了一下，相比之前同类的产品，基本上都有了本质的突破，几乎可以达到实用的地步。

这让我不得不花点时间，和大家共享一下这些信息。

感恩开源社区的贡献，也呼吁大家，能够对帮助到自己的项目，点点star。

Parler：高质量-高可控英文TTS模型+数据集

代码（如果对大家有帮助，记得star一下）：https://github.com/huggingface/parler-tts

演示（大家可以实测玩玩）：https://huggingface.co/spaces/parler-tts/parler_tts

Huggingface开源的高质量 TTS 模型的推理和训练库。

所有数据集、预处理、训练代码和权重均在许可下公开发布，这个是很少见的！

由于是英文，所以我标注一下~

个人实测：

• 1. 数据集和模型：只有英文，数据集主要包括一些电子书的音频，质量高。
• 2. 模型：可控性和声音质量不错，可以文本描述音频的性别、音调、说话风格等，目前来说，独一档的存在。
• 3. 适合读文章，但乱七八糟的符号会吞音

Mini-CPM-V 2.6：面壁智能开源的满血版小钢炮，接近4V性能且端侧可部署的多模态模型

代码：https://github.com/OpenBMB/MiniCPM-V

演示网站（针对自己的场景图片/视频，先试试效果）：https://huggingface.co/spaces/openbmb/MiniCPM-V-2_6

部署文档：https://modelbest.feishu.cn/wiki/C2BWw4ZP0iCDy7kkCPCcX2BHnOf

面壁这个项目非常有意思（实力），最初的版本一出来，就被斯坦福某位抄袭，然后火爆国内外，让国内网友直呼“倒反天罡”。

但我当时没有太关注，因为我总觉得这些项目太toy了，简单的OCR都做不好，更别说复杂的理解和问答了。

直到前两天，2.6发布，各大AI自媒体的宣传关键词，看着我都吓得慌：优于4V！端侧最强！比肩4O！

刚好我也在热榜上看到了，索性就在demo上试了一下，发现确实不一样，之前我能部署的开源多模态模型很多完成不了的任务，它确实可以稳定的产出，指令跟随能力和格式化输出能力也不错。

我自己在本机部署过，以及部署了vllm的并发服务，推荐的配置：

RTX3090显卡
Ubuntu20.04
Driver Version: 545.23.08
CUDA Version: 12.3
transformers 4.40.0
torch 2.4.0+cu124
torchaudio 2.4.0+cu124
flash-attn 2.6.3

更为关键的是，他们的文档齐全，官方团队在微信群非常积极的指导安装配置，点个赞！

个人评价：

• OCR准确率比较高，目标检测和识别我没怎么测试
• 指令跟随能力比较强，可以格式化输出，比较稳定
• 复杂表格识别能力一般，理解能力一般，毕竟才8B，不能指望太多；
• 能当一只眼睛，脑子还是得外接llm。
• 对显卡要求不算高，18G基本上就可以使用满血版。
• 尽量不要用int4的量化版！性能损失较为严重，我就不举例子了
• 有多模态需求，2.6版本上就完事了

TikTokDownloader：TikTok 抖音 数据采集工具

代码：https://github.com/JoeanAmier/TikTokDownloader

我没实测，就不点评了，但应该是有用的。用过的朋友欢迎评论区或者私信交流。

仅需一张图片即可实现实时换脸

代码：xxx

个人点评：这个项目争议非常大，我纠结过一段时间，到底要不要分享。

纠结了很久，还是不贴名字和链接了，因为这个项目底层没有做安全限制。

写到这个项目的唯一目的，就是建议大家，如非必要，不要在网络分享自己的自拍照！

本来想用鹰酱的图片，但怕侵权。

如上图所示，它的正脸换脸效果，非常猛，如果不仔细看的话，真人图片，几乎没法区分，非常容易用来造h谣。

最后在此声明，我个人不会绝不会利用该工具，在网上上传非法视频和图片。

大家也不要私信和评论区问我是什么项目，我不会回复这个问题。

qwen2-audio：阿里通义团队最新音频理解-对话开源模型-十边形

代码：https://github.com/QwenLM/Qwen2-Audio

演示网址：通义千问2-音频模型-对话

相比一代，性能全面提升

个人评价：我玩过qwen-audio一代，效果非常拉胯，资源消耗大，能力差。但2代效果还可以，长上下文理解比较强，asr文本准确率还可以，但时间戳可能不准（我没有严格对比过），指令跟随还可以。

不得不说，语音这块的开源，阿里真的做了非常多的贡献！

总结：

看到这里的朋友点个赞和关注吧，大家的关注是我长期更新的动力~

我的知乎ID：强化学徒

小红书账号：和AI一起进化

CSDN: hehedadaq-CSDN博客

微信公众号：kaixindelele