开源研习社

刚刷抖音一人说一个信息差，评论区全在聊怎么白嫖扫描件识别。我收藏夹里躺着这个 PaddleOCR，pip 装完直接跑，中文识别比我之前用的强不少，本地不联网。就是模型权重得单独下，第一次跑卡了半天。

抖音那个「一人说一个信息差」评论区吵得挺凶，我顺手翻了翻收藏夹。之前部署过这个 llama.cpp，纯 C++ 跑 GGUF 权重，Mac 和破笔记本都能塞。make 完下个模型直接 ./main 就跑起来了，配置文件比想象中好懂。

贴吧看人甩配置跑模型，想起收藏夹里这个开源语音克隆 coqui-ai/TTS，克隆音色能本地跑。照着 README 装依赖，pip 卡在 torch 版本上，换源重装还是报错，环境估计被之前的项目搞脏了。有部署成功的老哥说说哪个 Python 版本稳点。

不是又聊语音那块，换个方向。翻到个开源的，叫 DeOldify，仓库 jantic/DeOldify，专门给黑白老照片上色。家里压箱底那几张翻拍进去，颜色出来不算离谱。部署有点磨人，得先装 PyTorch 再下预训练权重，权重文件挺大，网慢的话等半天。坑是它偏好风景人像，纯建筑图容易上成奇怪的颜色。反正批量跑完能挑出几张能看的。

上周帮人做字幕，甲方改了三版稿子，我寻思干脆本地跑个转写省得来回传。翻到 Whisper 的一个封装版本，叫 whisper.cpp，纯 C++ 写的，CPU 就能跑，不用显卡。地址：ggerganov/whisper.cpp模型权重得自己下，仓库里有脚本，跑一句 ./models/download-ggml-model.sh base 就拉下来了。我用的 base 模型，中文识别凑合，方言基本别想。编译那步卡了我一会儿，得先装 cmake。跑通的兄弟说说你们都用的哪个模型，large 是不是明显好点。

抖音那个「一人说一个信息差」刷到好几条推语音克隆的，评论区全在喊无脑冲。我自己拿 3060 12G 各跑了一下午：IndexTTS2 中文韵律确实好一截，就是 4G 权重下载慢得离谱；F5-TTS 装完即跑，但多音字老翻车。顺带说一句，index-tts 那条 requirements 里 torch 版本卡得死，我 2.4 直接报错，降 2.3 才过。

群里有人甩了个链接，说 PaddleOCR 出新版了，https://github.com/PaddlePaddle/PaddleOCR。看了下文档，装完还得下模型权重，CPU 跑一张图小几秒，不知道有没有人拿它啃过表格和竖排的老书，识别率报个数。