开源视频创建及编辑框架Revideo
Revideo 是一个开源框架，允许开发者在 Typescript 中创建视频模板并将其作为 API 端点部署。它还提供了一个 React 播放器组件用于实时预览浏览器中的变化。通过分析用户行为，Revideo 使用 Posthog 了解其使用情况。
开源
5.5k星星！开源AI漫画翻译神器，有些漫画永远都不会被翻译，因此这个项目诞生了。
一个基于深度学习的漫画图像翻译工具Manga Image Translator，通过OCR技术识别并翻译漫画中的文字，并无缝嵌入原图中。该项目由作者持续更新维护，支持多种语言和功能选项，目前已有良好效果。
端到端的自主驾驶DiffusionDrive，基于 Ollama 的大语言模型（LLMs）的管理
DiffusionDrive是一种新型截断扩散模型，旨在实现端到端的自主驾驶，其在NAVSIM上的PDMS提升了3.5分，提高了64%多样性，并实现了88.1 PDMS记录和45fps实时运行速度。
12K Star 适配多场景！MarkItDown：微软开源多格式文档处理工具，轻松将文件转为 Markdown 格式！
一款多功能文档处理工具MarkItDown由微软开源提供，支持PDF、Office文档、图片、音频等多种格式文件转换为Markdown格式，具备OCR文字识别、语音转文字等功能。适用于文档批量处理、索引检索和数据分析等场景。
今日软荐：MSST WebUI：一个集成了音源分离训练框架和 UVR（终极人声消除器）的强大 Web 界面。
MSST 是一款集成了音源分离训练框架和UVR（终极人声消除器）的强大Web界面工具，提供直观的用户界面、灵活的自定义处理流程以及多种预训练模型支持，满足音频爱好者和专业工作者的需求。
DeepSeek-VL2开源MoE 视觉语言模型家族，Gemini英语口语助手，将 PDF 文档转换为互动式思维导图
本文介绍了DeepSeek-VL2、Leffa、小红书笔记生成器、Gemini 英语口语助手和PDF Mind Map Maker等创新技术与应用。它们涵盖多模态视觉-语言模型、可控人物图像生成框架、笔记生成工具及AI英语口语辅助等多个领域，提供高效便捷的功能以提升用户在不同场景下的工作效率和体验质量。