即插即用的多目标跟踪（MOT）Python库，提供SORT和ByteTrack等经典算法的模块化实现。采用检测器无关设计，可配合任意目标检测模型（YOLO、DETR等）使用，支持视频文件、摄像头、RTSP流等多种输入源。提供统一CLI工具与Python API，内置CLEAR、HOTA、Identity等标准MOT评估指标计算功能。

多模态深度学习SDK

查看详情 →

基于InvisPose研究的生产级WiFi穿墙人体姿态估计系统，利用商用Mesh路由器的CSI信号实现无需摄像头的实时全身追踪，支持多人追踪、跌倒检测等高级分析功能。

多模态深度学习Docker

查看详情 →

微软开源的前沿语音AI模型家族，包含文本转语音(TTS)和自动语音识别(ASR)模型，支持长时音频处理和多语言功能。

模型与推理框架PyTorchPython

查看详情 →

一个围绕TTS生成模型开发的项目，提供API服务器和基于Gradio的WebUI，支持多种语音合成、语音克隆和音频增强功能。

模型与推理框架PythonGradio

查看详情 →

中山大学人类通信与感知实验室维护的具身智能领域论文列表，为研究人员提供最新的研究成果汇总。

文档教程与资源Python多模态

查看详情 →

微软开发的视频内容发现工具，利用深度学习技术从视频中自动识别和提取关键内容，帮助用户高效浏览和理解视频信息。

智能体与应用工具PythonPyTorch

查看详情 →

LLaVA-Plus是一个能够学习和使用工具的多模态助手系统，通过将大型语言模型与视觉技术结合，使AI代理能够执行通用视觉任务。

模型与推理框架PythonPyTorch

查看详情 →

一个包含PyTorch、深度学习等多门课程的综合学习笔记资源，涵盖计算机视觉与自然语言处理领域，配有视频讲解和示例数据集。

文档教程与资源PythonPyTorch

查看详情 →

专为对话场景（如LLM助手）优化的生成式语音模型，支持中英文混合输入，能够生成自然且富有表现力的语音，并提供对笑声、停顿等韵律特征的细粒度控制。

模型与推理框架PythonPyTorch

查看详情 →

VoxCPM 是一个基于连续空间建模的端到端文本转语音（TTS）系统。它摒弃了传统的离散 Token 化方法，支持根据文本语境自动生成富有表现力的语音，并能通过极短的参考音频实现逼真的零样本声音克隆，适用于高质量的语音合成与配音场景。