self-operating-computer

使多模态模型能够操作计算机的框架

Self-Operating Computer 多模态模型 GPT-4o 键盘鼠标操作 API接口 Github 开源项目

Self-Operating Computer Framework通过模拟人类的视觉和手动操作，实现计算机的自动化控制。当前支持GPT-4o、Gemini Pro Vision、Claude 3和LLaVa多模态模型，并计划对更多模型开放兼容。适用于Mac OS, Windows和Linux系统。

文档

gpt-computer-assistant - 多功能集成的办公助手

GPT Computer AssistantGithubPythonWake Word开源项目本地STT本地TTS

GPT Computer Assistant 是一款交互式桌面应用程序，支持Windows、MacOS和Ubuntu。该应用程序基于Python，功能包括本地语音到文本与文本到语音的转换、多语言模型支持等。用户通过本工具可提升会议记录的效率、优化日常工作及编程活动。此外，该应用程序还支持自定义工具和代理，使其更加灵活和适应个人需求。

AIUI - AI语音交互平台，兼容桌面和移动浏览器

AIUIGPT-3.5GPT-4Github开源项目文本到语音语音接口

AIUI平台提供与AI模型的无缝双向语音通信，现支持GPT-4和GPT-3.5，兼容桌面和移动浏览器，未来将支持开放模型。在浏览器中打开应用即可开始对话，AIUI会处理语音输入并提供语音回应，实现自然连续的交互。它提供本地运行指南、环境变量配置及一键部署选项，方便快速上手。

ai-devices - 智能语音助手现支持多语音模型和视觉推断技术

AI设备GPT-4GithubOpenAI开源项目语音输入镜像处理

本项目是AI驱动的智能语音助手，集成多种AI模型和服务。支持语音输入、文字转语音、图片处理及功能调用，提供高级视觉推断，保障用户获得全面的智能交互体验。主要支持最新的gpt-4o和gemini-1.5-flash-latest视觉模型，满足现代科技需求。

ScreenAI - 深度理解界面和信息图的视觉语言模型

GithubScreenAIUI理解信息图表理解多模态开源项目视觉语言模型

ScreenAI是一个开源的多模态视觉语言模型，专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络，能够处理图像和文本输入。通过深度学习技术，ScreenAI实现了对复杂视觉信息的处理和文本整合分析，为UI设计、信息可视化和人机交互研究提供了新的工具和方法。

ok-robot - 家庭环境中实现自主导航与操作的模块化框架

GithubOK-Robot室内导航开源框架开源项目机器人操作物体抓取

OK-Robot是一个零样本模块化框架，集成了先进的导航和操作模型，用于执行家庭环境中的取放任务。该项目在10个真实家庭中测试了170多个物体，成功率达58.5%。通过整合AnyGrasp抓取和VoxelMap开放词汇导航等技术，OK-Robot为家庭服务机器人研究提供了开放平台。

GPT-4o - 集成多模态处理和情感识别的先进AI工具

AI工具AI技术GPT-4O多模态处理实时交互自然语言处理

GPT-4o是一款突破性的AI工具，整合了文本、视觉和音频处理功能。它的实时响应和情感检测能力为教育、内容创作和客户服务带来了新的可能。GPT-4o的多模态处理和即时交互为用户提供了流畅的AI体验，其普及性有助于推动全球AI技术的创新应用。

XXAI - 多模型AI助手提升工作效率

AI助手AI工具Claude 3.5GPT-4多语言翻译桌面应用

XXAI整合GPT-4o和Claude 3.5等顶级AI模型，提供摘要、问答、文字优化、翻译、草稿生成和AI搜索服务。兼容macOS和Windows系统，可轻松融入桌面环境。具备实时AI搜索、多语言翻译、学习辅助和创意提示库等功能，是提升工作效率的综合AI工具。

MobileAgent - 移动设备多模态操作助手

CCL 2024GithubICLR 2024Mobile-Agent多代理协作开源项目移动设备操作助手

移动设备操作助手家族，包括Mobile-Agent-v3和Mobile-Agent-v2，支持多模态操作和高效导航。该项目通过多代理协作实现快速推理和低内存消耗，适用于各类应用场景。Mobile-Agent在CCL 2024上荣获最佳演示奖，并提供在Hugging Face和ModelScope上的在线体验，无需额外配置即可使用，满足智能操作需求。

code-interpreter - 免费开源的多模态代码执行工具

Code-InterpreterGPT 3.5 TurboGithubHuggingFacePALM 2open-source开源项目

Code-Interpreter是一个开源的免费代码执行工具，利用GPT 3.5 Turbo、PALM 2、Groq、Claude、多种HuggingFace模型等将多种任务转换为可执行代码。支持文件查找、图像处理、视频编辑和数据分析等多任务，兼容Windows、MacOS和Linux系统，设计简单易用，无需下载模型。适用于开发者、数据科学家等用户。

robotgo - Golang跨平台桌面自动化库提供鼠标键盘屏幕控制和事件监听

GithubRobotgo屏幕操作开源项目自动化跨平台键鼠控制

Robotgo是一个用Golang编写的跨平台桌面自动化库，支持Mac、Windows和Linux系统。它提供鼠标和键盘控制、屏幕读取、进程和窗口处理、图像和位图操作以及全局事件监听等功能。该库兼容arm64和x86-amd64架构，为开发者提供了便捷的跨平台自动化解决方案，可用于简化桌面应用程序的开发和测试。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com