sagittarius
Sagittarius 是一款专为探索 GPT-4 与 Gemini 多模态能力而设计的开源工具，让用户能直接在浏览器中体验逼真的语音与视频交互。它旨在解决大模型多模态功能演示门槛高、本地部署复杂的问题，无需安装任何软件，只需填入 API 密钥即可立即使用。
这款工具特别适合对 AI 前沿技术感兴趣的普通用户、希望快速验证多模态交互效果的产品设计师，以及需要对比不同模型表现的开发者或研究人员。通过 Sagittarius，用户可以轻松测试 GPT-4 Vision 或 Gemini 在处理实时语音输入和视觉内容时的实际表现，甚至复现类似谷歌早期演示的流畅对话场景。
其技术亮点在于支持流式输出，显著降低了交互延迟，使对话更加自然连贯；同时提供多种语音选择及语言识别切换功能，并兼容 OpenAI 与 Gemini 双平台接口。得益于基于 Web 的架构，Sagittarius 在 Chrome 浏览器中能发挥最佳的语音识别性能，让复杂的 AI 探索变得像访问普通网页一样简单快捷。
使用场景
一位视障开发者正在尝试理解一个复杂的开源项目架构图，他需要快速“看”懂图片内容并听取解释，同时希望用语音与模型进行实时互动探讨。
没有 sagittarius 时
- 必须依赖屏幕阅读器逐字朗读图片的替代文本（Alt Text），但大多数开源图片缺乏详细描述，导致信息完全缺失。
- 若需分析图片，得先手动将截图上传至网页版聊天框，等待生成文字回复后，再调用独立的 TTS 工具朗读，流程割裂且耗时。
- 无法进行自然的语音对话，每次提问都需要重新打字或复制粘贴，难以在思考过程中即时追问细节。
- 面对 GPT-4 Vision 或 Gemini 的多模态能力，普通用户缺乏一个集成了语音输入、视觉分析和语音输出的统一轻量级入口。
使用 sagittarius 后
- 直接对着 sagittarius 说话并上传图片，工具利用 GPT-4 Vision 或 Gemini 实时识别图表内容，并立即通过合成语音播报详细解读。
- 实现了真正的“所见即所聊”，开发者可以直接语音追问“这个模块的数据流向是什么？”，sagittarius 能结合上下文和图片即时语音回答。
- 无需配置复杂的本地环境或编写脚本，只需在浏览器填入 API Key 即可启动流式输出，大幅降低了多模态交互的门槛。
- 支持多种语音选择和语言设定，让非英语母语的开发者也能用自己熟悉的语言流畅地探索技术文档和架构图。
sagittarius 将原本割裂的视觉识别与语音交互整合为流畅的自然对话，让多模态 AI 能力真正服务于实时的探索与学习场景。
运行环境要求
- 未说明
不需要本地 GPU
未说明
快速开始
射手座
这是什么？一个基于 GPT-4 和 Gemini 的语音/视频探索工具！
你有来自 OpenAI 或 Gemini 的 API 密钥吗？你可以在线使用这个工具！无需安装任何东西。
更多背景信息请见下文：
- 原版“谷歌 Gemini 虚假演示的重制版，只不过这次用的是 GPT-4，而且是真的”视频
- Gemini Pro 与 GPT-4 的直接对比
- 射手座支持多种语音，互联网上的任何人都可以使用，而且速度更快！太棒了
如何构建
- 克隆此仓库，并进入该目录
- 复制
.env.example文件并重命名为.env - 在
VITE_OPENAI_KEY=后填入你的 OpenAI API 密钥。你必须能够访问gpt-4-vision-preview模型。- 如果你也有 Gemini 的 API 密钥，也可以填写
VITE_GEMINI_KEY到同一个.env文件中。
- 如果你也有 Gemini 的 API 密钥，也可以填写
- 然后运行：
npm installnpm run dev
- 演示将在 http://localhost:5173 上运行。
注意：浏览器内的语音识别在 Google Chrome 中效果最佳。
待办事项
- 允许在页面上通过
<input>输入 API 密钥 - 将前端部署到站点，即 sagittarius.greg.technology，使用 Vite + GitHub Actions
- 实现流式输出..!
- 制作一段新视频，展示第 3 项：流式输出 / 对比
- 允许选择听写语言
- 制作一段新视频，内容包括：1) 该仓库在实际中的应用 / 分支情况；2) UI 改进
- 添加 AllContributors 机器人
- 添加 Dependabot
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。