懂AI
ollama-ai

ollama-ai

在Ruby中本地运行开源大语言模型

Ollama AI是一个Ruby gem，为Ollama API提供便捷接口。此gem支持本地运行开源大语言模型(LLMs)，实现文本生成、聊天对话和嵌入向量等功能。它提供底层API访问，便于开发者构建高级抽象。支持流式输出和模型管理，并提供简洁的客户端接口。适用于需要在Ruby项目中集成本地LLM能力的开发者。

OllamaRubyAPILLMAIGithub开源项目
访问官网GitHub

Ollama AI

一个用于与 Ollama API 交互的 Ruby gem，允许你在本地运行开源 AI 大语言模型 (LLM)。

这张图片展示了一只羊驼的头部与一颗红色红宝石宝石融合在一起，背景为浅米色。红色的切面同时形成了红宝石和羊驼的轮廓，创造出一个巧妙的视觉融合效果。

这个 Gem 旨在提供对 Ollama 的低级访问，使人们能够在其基础上构建抽象。如果你对更高级的抽象或更加用户友好的工具感兴趣，可以考虑使用 Nano Bots 💎 🤖。

简介和快速入门

gem 'ollama-ai', '~> 1.3.0'
require 'ollama-ai'

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: { server_sent_events: true }
)

result = client.generate(
  { model: 'llama2',
    prompt: 'Hi!' }
)

结果：

[{ 'model' => 'llama2',
   'created_at' => '2024-01-07T01:34:02.088810408Z',
   'response' => 'Hello',
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:34:02.419045606Z',
   'response' => '!',
   'done' => false },
 # ..
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:34:07.680049831Z',
   'response' => '?',
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:34:07.872170352Z',
   'response' => '',
   'done' => true,
   'context' =>
     [518, 25_580,
      # ...
      13_563, 29_973],
   'total_duration' => 11_653_781_127,
   'load_duration' => 1_186_200_439,
   'prompt_eval_count' => 22,
   'prompt_eval_duration' => 5_006_751_000,
   'eval_count' => 25,
   'eval_duration' => 5_453_058_000 }]

目录

设置

安装

gem install ollama-ai -v 1.3.0
gem 'ollama-ai', '~> 1.3.0'

使用方法

客户端

创建一个新客户端：

require 'ollama-ai'

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: { server_sent_events: true }
)

Bearer 认证

require 'ollama-ai'

client = Ollama.new(
  credentials: {
    address: 'http://localhost:11434',
    bearer_token: 'eyJhbG...Qssw5c'
  },
  options: { server_sent_events: true }
)

请记住，在代码中硬编码你的凭证是不安全的。最好使用环境变量：

require 'ollama-ai'
client = Ollama.new(
  credentials: {
    address: 'http://localhost:11434',
    bearer_token: ENV['OLLAMA_BEARER_TOKEN']
  },
  options: { server_sent_events: true }
)

方法

client.generate
client.chat
client.embeddings

client.create
client.tags
client.show
client.copy
client.delete
client.pull
client.push

generate: 生成补全

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-a-completion

不使用流式事件

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-a-completion

result = client.generate(
  { model: 'llama2',
    prompt: 'Hi!',
    stream: false }
)

结果：

[{ 'model' => 'llama2',
   'created_at' => '2024-01-07T01:35:41.951371247Z',
   'response' => "嗨！很高兴认识你。今天你好吗？",
   'done' => true,
   'context' =>
     [518, 25_580,
      # ...
      9826, 29_973],
   'total_duration' => 6_981_097_576,
   'load_duration' => 625_053,
   'prompt_eval_count' => 22,
   'prompt_eval_duration' => 4_075_171_000,
   'eval_count' => 16,
   'eval_duration' => 2_900_325_000 }]
接收流式事件

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-a-completion

在使用块进行流式处理之前，请确保已启用服务器发送事件。无需设置stream: true，因为true是默认值：

client.generate(
  { model: 'llama2',
    prompt: 'Hi!' }
) do |event, raw|
  puts event
end

事件：

{ 'model' => 'llama2',
  'created_at' => '2024-01-07T01:36:30.665245712Z',
  'response' => '你好',
  'done' => false }

你可以一次性获取所有接收到的事件作为数组：

result = client.generate(
  { model: 'llama2',
    prompt: 'Hi!' }
)

结果：

[{ 'model' => 'llama2',
   'created_at' => '2024-01-07T01:36:30.665245712Z',
   'response' => '你好',
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:36:30.927337136Z',
   'response' => '！',
   'done' => false },
 # ...
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:36:37.249416767Z',
   'response' => '？',
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:36:37.44041283Z',
   'response' => '',
   'done' => true,
   'context' =>
     [518, 25_580,
      # ...
      13_563, 29_973],
   'total_duration' => 10_551_395_645,
   'load_duration' => 966_631,
   'prompt_eval_count' => 22,
   'prompt_eval_duration' => 4_034_990_000,
   'eval_count' => 25,
   'eval_duration' => 6_512_954_000 }]

你也可以同时使用两种方式：

result = client.generate(
  { model: 'llama2',
    prompt: 'Hi!' }
) do |event, raw|
  puts event
end

chat: 生成聊天补全

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-a-chat-completion

result = client.chat(
  { model: 'llama2',
    messages: [
      { role: 'user', content: '嗨！我的名字是紫色。' }
    ] }
) do |event, raw|
  puts event
end

事件：

{ 'model' => 'llama2',
  'created_at' => '2024-01-07T01:38:01.729897311Z',
  'message' => { 'role' => 'assistant', 'content' => "\n" },
  'done' => false }

结果：

[{ 'model' => 'llama2',
   'created_at' => '2024-01-07T01:38:01.729897311Z',
   'message' => { 'role' => 'assistant', 'content' => "\n" },
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:38:02.081494506Z',
   'message' => { 'role' => 'assistant', 'content' => '*' },
   'done' => false },
 # ...
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:38:17.855905499Z',
   'message' => { 'role' => 'assistant', 'content' => '?' },
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:38:18.07331245Z',
   'message' => { 'role' => 'assistant', 'content' => '' },
   'done' => true,
   'total_duration' => 22_494_544_502,
   'load_duration' => 4_224_600,
   'prompt_eval_count' => 28,
   'prompt_eval_duration' => 6_496_583_000,
   'eval_count' => 61,
   'eval_duration' => 15_991_728_000 }]
来回对话

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-a-chat-completion

为了维持来回对话，你需要附加收到的回复并为你的请求建立历史记录：

result = client.chat(
  { model: 'llama2',
    messages: [
      { role: 'user', content: '你好！我的名字是Purple。' },
      { role: 'assistant',
        content: '你好，Purple！' },
      { role: 'user', content: "我的名字是什么？" }
    ] }
) do |event, raw|
  puts event
end

事件：

{ 'model' => 'llama2',
  'created_at' => '2024-01-07T01:40:07.352998498Z',
  'message' => { 'role' => 'assistant', 'content' => ' Pur' },
  'done' => false }

结果：

[{ 'model' => 'llama2',
   'created_at' => '2024-01-07T01:40:06.562939469Z',
   'message' => { 'role' => 'assistant', 'content' => '你的' },
   'done' => false },
 # ...
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:40:07.352998498Z',
   'message' => { 'role' => 'assistant', 'content' => ' Pur' },
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:40:07.545323584Z',
   'message' => { 'role' => 'assistant', 'content' => 'ple' },
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:40:07.77769408Z',
   'message' => { 'role' => 'assistant', 'content' => '！' },
   'done' => false },
 { 'model' => 'llama2',
   'created_at' => '2024-01-07T01:40:07.974165849Z',
   'message' => { 'role' => 'assistant', 'content' => '' },
   'done' => true,
   'total_duration' => 11_482_012_681,
   'load_duration' => 4_246_882,
   'prompt_eval_count' => 57,
   'prompt_eval_duration' => 10_387_150_000,
   'eval_count' => 6,
   'eval_duration' => 1_089_249_000 }]

embeddings: 生成嵌入

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#generate-embeddings

result = client.embeddings(
  { model: 'llama2',
    prompt: '你好！' }
)

结果：

[{ 'embedding' =>
   [0.6970467567443848, -2.248202085494995,
    # ...
    -1.5994540452957153, -0.3464218080043793] }]

模型

create: 创建模型

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#create-a-model

result = client.create(
  { name: 'mario',
    modelfile: "FROM llama2\nSYSTEM 你是来自超级马里奥兄弟的马里奥。" }
) do |event, raw|
  puts event
end

事件：

{ 'status' => '正在读取模型元数据' }

结果:

[{ 'status' => '正在读取模型元数据' },
 { 'status' => '正在创建系统层' },
 { 'status' =>
   '使用已创建的层 sha256:4eca7304a07a42c48887f159ef5ad82ed5a5bd30fe52db4aadae1dd938e26f70' },
 { 'status' =>
   '使用已创建的层 sha256:876a8d805b60882d53fed3ded3123aede6a996bdde4a253de422cacd236e33d3' },
 { 'status' =>
   '使用已创建的层 sha256:a47b02e00552cd7022ea700b1abf8c572bb26c9bc8c1a37e01b566f2344df5dc' },
 { 'status' =>
   '使用已创建的层 sha256:f02dd72bb2423204352eabc5637b44d79d17f109fdb510a7c51455892aa2d216' },
 { 'status' =>
   '正在写入层 sha256:1741cf59ce26ff01ac614d31efc700e21e44dd96aed60a7c91ab3f47e440ef94' },
 { 'status' =>
   '正在写入层 sha256:e8bcbb2eebad88c2fa64bc32939162c064be96e70ff36aff566718fc9186b427' },
 { 'status' => '正在写入清单' },
 { 'status' => '成功' }]

创建完成后，您可以使用它:

client.generate(
  { model: 'mario',
    prompt: '嗨！你是谁？' }
) do |event, raw|
  print event['response']
end

哇哦！调整太阳镜 是我，马里奥！眨眼 你一定是我在蘑菇王国遇到的新朋友。摘下礼帽 是什么风把你吹到这片树林来了？也许你在寻求冒险的帮助？点头 告诉我就行，我会尽力帮助你的！😃

tags: 列出本地模型

API文档: https://github.com/jmorganca/ollama/blob/main/docs/api.md#list-local-models

result = client.tags

结果:

[{ 'models' =>
   [{ 'name' => 'llama2:latest',
      'modified_at' => '2024-01-06T15:06:23.6349195-03:00',
      'size' => 3_826_793_677,
      'digest' =>
      '78e26419b4469263f75331927a00a0284ef6544c1975b826b15abdaef17bb962',
      'details' =>
      { 'format' => 'gguf',
        'family' => 'llama',
        'families' => ['llama'],
        'parameter_size' => '7B',
        'quantization_level' => 'Q4_0' } },
    { 'name' => 'mario:latest',
      'modified_at' => '2024-01-06T22:41:59.495298101-03:00',
      'size' => 3_826_793_787,
      'digest' =>
      '291f46d2fa687dfaff45de96a8cb6e32707bc16ec1e1dfe8d65e9634c34c660c',
      'details' =>
      { 'format' => 'gguf',
        'family' => 'llama',
        'families' => ['llama'],
        'parameter_size' => '7B',
        'quantization_level' => 'Q4_0' } }] }]
show: 显示模型信息

API文档: https://github.com/jmorganca/ollama/blob/main/docs/api.md#show-model-information

result = client.show(
  { name: 'llama2' }
)

结果:

[{ 'license' =>
     "LLAMA 2 社区许可协议\t\n" \
     # ...
     "* 报告违反可接受使用政策或未经许可使用Llama的行为..." \
     "\n",
   'modelfile' =>
     "# 由\"ollama show\"生成的Modelfile\n" \
     # ...
     'PARAMETER stop "<</SYS>>"',
   'parameters' =>
     "stop                           [INST]\n" \
     "stop                           [/INST]\n" \
     "stop                           <<SYS>>\n" \
     'stop                           <</SYS>>',
     'template' =>
     "[INST] <<SYS>>{{ .System }}<</SYS>>\n\n{{ .Prompt }} [/INST]\n",
   'details' =>
     { 'format' => 'gguf',
       'family' => 'llama',
       'families' => ['llama'],
       'parameter_size' => '7B',
       'quantization_level' => 'Q4_0' } }]
copy: 复制模型

API文档: https://github.com/jmorganca/ollama/blob/main/docs/api.md#copy-a-model

result = client.copy(
  { source: 'llama2',
    destination: 'llama2-backup' }
)

结果:

true

如果源模型不存在:

begin
  result = client.copy(
    { source: 'purple',
      destination: 'purple-backup' }
  )
rescue Ollama::Errors::OllamaError => error
  puts error.class # Ollama::Errors::RequestError
  puts error.message # '服务器响应状态码404'

  puts error.payload
  # { source: 'purple',
  #   destination: 'purple-backup',
  #   ...
  # }

  puts error.request.inspect
  # #<Faraday::ResourceNotFound response={:status=>404, :headers...
end
delete: 删除模型

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#delete-a-model

result = client.delete(
  { name: 'llama2' }
)

结果：

true

如果模型不存在：

begin
  result = client.delete(
    { name: 'llama2' }
  )
rescue Ollama::Errors::OllamaError => error
  puts error.class # Ollama::Errors::RequestError
  puts error.message # '服务器返回状态码404'

  puts error.payload
  # { name: 'llama2',
  #   ...
  # }

  puts error.request.inspect
  # #<Faraday::ResourceNotFound response={:status=>404, :headers...
end
pull：拉取模型

API文档：https://github.com/jmorganca/ollama/blob/main/docs/api.md#pull-a-model

result = client.pull(
  { name: 'llama2' }
) do |event, raw|
  puts event
end

事件：

{ 'status' => '正在拉取清单' }

结果：

[{ 'status' => '正在拉取清单' },
 { 'status' => '正在拉取 4eca7304a07a',
   'digest' =>
   'sha256:4eca7304a07a42c48887f159ef5ad82ed5a5bd30fe52db4aadae1dd938e26f70',
   'total' => 1_602_463_008,
   'completed' => 1_602_463_008 },
 # ...
 { 'status' => '正在验证sha256摘要' },
 { 'status' => '正在写入清单' },
 { 'status' => '正在移除任何未使用的层' },
 { 'status' => '成功' }]
push：推送模型

文档：API和发布你的模型。

你需要在https://ollama.ai创建一个账户，并在https://ollama.ai/settings/keys添加你的公钥。

你的密钥位于/usr/share/ollama/.ollama/。你可能需要将它们复制到你的用户目录：

sudo cp /usr/share/ollama/.ollama/id_ed25519 ~/.ollama/
sudo cp /usr/share/ollama/.ollama/id_ed25519.pub ~/.ollama/

将你的模型复制到你的用户命名空间：

client.copy(
  { source: 'mario',
    destination: 'your-user/mario' }
)

然后推送它：

result = client.push(
  { name: 'your-user/mario' }
) do |event, raw|
  puts event
end

事件：

{ 'status' => '正在检索清单' }

结果：

[{ 'status' => '正在检索清单' },
 { 'status' => '正在推送 4eca7304a07a',
   'digest' =>
   'sha256:4eca7304a07a42c48887f159ef5ad82ed5a5bd30fe52db4aadae1dd938e26f70',
   'total' => 1_602_463_008,
   'completed' => 1_602_463_008 },
 # ...
 { 'status' => '正在推送 e8bcbb2eebad',
   'digest' =>
   'sha256:e8bcbb2eebad88c2fa64bc32939162c064be96e70ff36aff566718fc9186b427',
   'total' => 555,
   'completed' => 555 },
 { 'status' => '正在推送清单' },
 { 'status' => '成功' }]

模式

文本

你可以使用generate或chat方法处理文本。

图像

一张黑白老式钢琴的图片。这是一架立式钢琴，琴键位于图像的右侧。钢琴放置在铺有瓷砖的地板上。钢琴顶部有一个小圆形物体。

图片来源：Unsplash

你需要选择一个支持图像的模型，如LLaVA或bakllava，并将图像编码为Base64格式。

根据你的硬件，某些支持图像的模型可能运行较慢，因此你可能需要增加客户端的超时时间：

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: {
    server_sent_events: true,
    connection: { request: { timeout: 120, read_timeout: 120 } } }
)

使用generate方法：

require 'base64'

client.generate(
  { model: 'llava',
    prompt: '请描述这张图片。',
    images: [Base64.strict_encode64(File.read('piano.jpg'))] }
) do |event, raw|
  print event['response']
end

输出：

这是一张黑白照片，显示了一架老式钢琴，看起来需要维护。钢琴旁边放着一把椅子。除此之外，画面中没有其他物品或人物。

使用chat方法：

require 'base64'
```ruby
result = client.chat(
  { model: 'llava',
    messages: [
      { role: 'user',
        content: '请描述这张图片。',
        images: [Base64.strict_encode64(File.read('piano.jpg'))] }
    ] }
) do |event, raw|
  puts event
end

输出:

图片展示了一架老式钢琴，放置在木地板上，带有黑色琴键。钢琴旁边还有另一个键盘，可能用于演奏音乐。

钢琴顶部有两只鼠标放置在不同位置。这些鼠标可能用于控制正在播放的音乐，或者只是装饰品。整体氛围似乎聚焦于通过这件独特乐器表达艺术。

流式传输和服务器发送事件(SSE)

服务器发送事件(SSE)是一种技术，允许某些端点提供流式传输功能，比如创造"模型正在与你一起打字"的印象，而不是一次性提供整个答案。

你可以设置客户端对所有支持的端点使用服务器发送事件(SSE):

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: { server_sent_events: true }
)

或者，你可以根据请求决定:

result = client.generate(
  { model: 'llama2',
    prompt: '你好!' },
  server_sent_events: true
) do |event, raw|
  puts event
end

启用服务器发送事件(SSE)后，你可以使用代码块通过事件接收部分结果。这个功能对于提供流式传输功能的方法特别有用，比如generate: 接收流事件

服务器发送事件(SSE)挂起

方法调用会_挂起_直到服务器发送事件结束，所以即使不提供代码块，你也可以获得接收事件的最终结果: 接收流事件

新功能和API

Ollama可能会推出我们在Gem中尚未涵盖的新端点。如果是这种情况，你可能仍然可以通过request方法使用它。例如，generate只是api/generate的包装器，你可以像这样直接调用它:

result = client.request(
  'api/generate',
  { model: 'llama2',
    prompt: '你好!' },
  request_method: 'POST', server_sent_events: true
)

请求选项

适配器

这个gem默认使用Faraday和Typhoeus适配器。

如果你想的话，可以使用不同的适配器:

require 'faraday/net_http'

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: { connection: { adapter: :net_http } }
)

超时

你可以使用timeout选项设置等待请求完成的最长秒数:

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: { connection: { request: { timeout: 5 } } }
)

如果你喜欢的话，也可以对Faraday的请求选项进行更精细的控制:

client = Ollama.new(
  credentials: { address: 'http://localhost:11434' },
  options: {
    connection: {
      request: {
        timeout: 5,
        open_timeout: 5,
        read_timeout: 5,
        write_timeout: 5
      }
    }
  }
)

错误处理

捕获

require 'ollama-ai'

begin
  client.chat_completions(
    { model: 'llama2',
      prompt: '你好!' }
  )
rescue Ollama::Errors::OllamaError => error
  puts error.class # Ollama::Errors::RequestError
  puts error.message # '服务器响应状态码500'

  puts error.payload
  # { model: 'llama2',
  #   prompt: '你好!',
  #   ...
  # }

  puts error.request.inspect
  # #<Faraday::ServerError response={:status=>500, :headers...
end

简短形式

require 'ollama-ai/errors'

begin
  client.chat_completions(
    { model: 'llama2',
      prompt: '你好!' }
  )
rescue OllamaError => error
  puts error.class # Ollama::Errors::RequestError
end

错误

OllamaError

BlockWithoutServerSentEventsError

RequestError

开发

bundle
rubocop -A

bundle exec ruby spec/tasks/run-client.rb
bundle exec ruby spec/tasks/test-encoding.rb

目的

这个Gem旨在提供对Ollama的低级访问，使人们能够在其之上构建抽象。如果你对更高级的抽象或更用户友好的工具感兴趣，你可能想考虑Nano Bots 💎 🤖。

发布到RubyGems

gem build ollama-ai.gemspec

gem signin

gem push ollama-ai-1.3.0.gem

更新README

安装Babashka:

curl -s https://raw.githubusercontent.com/babashka/babashka/master/install | sudo bash

更新template.md文件，然后:

bb tasks/generate-readme.clj

当template.md发生变化时自动更新README.md的技巧：

sudo pacman -S inotify-tools # Arch / Manjaro
sudo apt-get install inotify-tools # Debian / Ubuntu / Raspberry Pi OS
sudo dnf install inotify-tools # Fedora / CentOS / RHEL

while inotifywait -e modify template.md; do bb tasks/generate-readme.clj; done

Markdown实时预览的技巧：

pip install -U markdown_live_preview

mlp README.md -p 8076

资源和参考

这些资源和参考在您的学习过程中可能会有用：

免责声明

这不是Ollama的官方项目，也与Ollama没有任何关联。

本软件在MIT许可证下分发。该许可证包含免责声明。此外，作者对使用本项目可能导致的任何损害或费用不承担任何责任。使用Ollama AI Ruby Gem的风险由您自行承担。

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI助手AI工具AI写作工具AI辅助写作蛙蛙写作学术助手办公助手营销助手
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

下拉加载更多