全AIリポジトリ

このツールは、PDFをOCR処理し、結果をMarkdown形式で返す自己ホスト型APIです。PaddleOCRとPaddleOCR-VLモデルを搭…

「pi-diff-review」は、`pi`プラットフォームに統合されたコードレビューツールです。開発者は`pi`のインターフェー…

Permafrostは、Claude CodeとDeepSeekの間に入り、Claude Codeのプロンプト接頭辞を固定することで、DeepSeekの自動…

SLARMは、動的なシーンの再構築、セマンティックな理解、リアルタイムストリーミング推論を統合するフィードフォワー…

Openflowは、Windowsデスクトップ向けに設計されたディクテーションアプリです。ユーザーが`Ctrl + Win`を押している…

WikiSeekerは、知識ベースの視覚的質問応答（KB-VQA）のために開発された革新的なマルチモーダルRAGフレームワークで…

このリポジトリは、ECG（心電図）言語モデル（ELM）のファインチューニングと評価のための研究フレームワークです。…

VLM-Instruct-FastGSは、3D Gaussian Splatting技術を拡張し、Vision-Language Models (VLM) からのセマンティックガ…

UnrealEngine5-Skillsは、Unreal Engine 5.6/5.7向けの再利用可能なワークフローを提供するスキルパックです。ブルー…

atlascloud_comfyuiは、ComfyUIユーザー向けに、Atlas Cloudの300種類以上のAIモデルを直接ComfyUI内で利用可能にす…

このツールは、Sentinel-2衛星画像から違法な小規模金採掘（ガラッセイ）を検出するエージェント型地球観測システム…

Qwen3-VL-Video-Groundingは、Qwen3-VL多モーダル画像言語モデルを活用したGradioベースのWebアプリケーションです。…

ComfyUI MCP Serverは、AIアシスタントがComfyUIを通じて画像、動画、音声、3Dコンテンツを生成することを可能にする…

ringbackは、AIエージェントが電話を介してユーザーと直接対話できるModel Context Protocol (MCP) サーバーです。無…

eyerollは、AIがビデオ映像を「見て、理解し、行動する」ためのツールです。画面録画、Loom動画、YouTubeリンク、ス…

eXpromptは、LLM (大規模言語モデル) 向けのオープンソースCLIプロンプト圧縮ツールです。AIプロンプトからフィラー…

OmniVoice FastAPIは、多言語対応のゼロショットTTS（Text-to-Speech）エンジン「OmniVoice」の機能を、Dockerで手軽…

BrainDanceは、3D Gaussian Splatting（高斯泼溅）技術を利用して、現実空間をインタラクティブで回顧可能なホログラ…

JoyBoyは、チャット、コーディング、画像生成、画像編集、動画実験、モデル管理といった多様なAIワークフローを統合…

このリポジトリは、AIを活用したオーディオおよび音楽関連ツールの包括的なコミュニティリストです。楽曲のゼロから…

dlmserveは、拡散型言語モデル（Diffusion LLMs）向けにOpenAI互換のHTTPサービスを提供するツールです。拡散型LLM特…

AIを活用した次世代オーディオ制作プラットフォーム「Audio Content Creator」。テキストを基に、高品質な音声合成、…

docagentは、手元の論文やローカルドキュメントに対して質問し、ページ単位で正確かつ検証済みの引用付き回答を得ら…

Voxtral Codec PyTorchは、24kHzモノラル音声波形をTTS（Text-to-Speech）トレーニング用の離散コードに変換するVoxt…