🚀 مدل Qwen3-TTS-12Hz-1.7B-CustomVoice روی Hugging Face منتشر شد.

نسخه جدید تبدیل متن به گفتار (TTS) از تیم Qwen با تمرکز بر کیفیت صدا، سرعت بالا و شخصی‌سازی.

✨ قابلیت‌های کلیدی:

🌍 پشتیبانی از ۱۰ زبان

🎙️ ۹ صدای پریمیوم با جنسیت، سن و لهجه‌های متنوع

🎭 کنترل لحن، احساس و سبک بیان

⚡ تأخیر بسیار پایین (Ultra-Low Latency)

🗣️ امکان ساخت صدای سفارشی (Custom Voice)

🔗 https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

#Qwen #Qwen3 #TTS #TextToSpeech #SpeechAI #VoiceAI #CustomVoice #GenerativeAI #LLM #OpenSource #HuggingFace #MachineLearning #DeepLearning #ArtificialIntelligence #AI #Python #VoiceCloning #AIModels #Tech #AICommunity

قبل از دانلود مدل‌های سنگین، اول مطمئن بشید که اصلاً روی سیستم‌تون اجرا می‌شن!

ابزار llmfit یه CLI کاربردیه که سخت‌افزار سیستم‌تون رو بررسی می‌کنه و بهتون می‌گه کدوم مدل‌های LLM واقعاً روی سیستم شما قابل اجرا هستن.

به‌جای اینکه یه مدل ۷۰ میلیارد پارامتری دانلود کنید و آخرش ببینید یا اجرا نمی‌شه یا سرعتش افتضاحه، llmfit از همون اول وضعیت CPU، RAM، GPU و VRAM رو بررسی می‌کنه.

بعد بیش از ۲۰۰ مدل رو با سخت‌افزار شما مقایسه می‌کنه و بر اساس اینکه چقدر خوب اجرا می‌شن، بهشون امتیاز می‌ده.

نکته جالب اینجاست که فقط یک سطح Quantization رو فرض نمی‌کنه.
از Q8_0 شروع می‌کنه و در صورت نیاز تا Q2_K پایین میاد تا بهترین کیفیتی که واقعاً روی سیستم‌تون اجرا می‌شه رو پیدا کنه.

اگر حتی با کانتکست کامل هم جا نشه، کانتکست رو کاهش می‌ده تا شاید مدل قابل اجرا بشه؛ یعنی هدفش اینه که بهترین خروجی ممکن رو از سخت‌افزار فعلی شما بگیره.

امتیاز هر مدل هم فقط بر اساس اندازه نیست؛ بلکه عواملی مثل:
• کیفیت مدل
• سرعت اجرا
• اندازه کانتکست
• توانایی‌های مدل
همگی در رتبه‌بندی تأثیر دارن.


بنابراین هم برای استفاده شخصی مناسبه و هم برای اتوماسیون و کلاسترها.
یه قابلیت جالب دیگه هم داره:
برعکس هم کار می‌کنه!

یعنی شما می‌گید فلان مدل یا فلان سطح عملکرد رو می‌خوام، بعد llmfit بهتون می‌گه برای اجراش به چه سخت‌افزاری نیاز دارید.

به نظرم مهم‌ترین مزیتش اینه که قبل از دانلود چندین گیگ فایل، می‌فهمید چه مدلی واقعاً روی سیستم‌تون اجرا می‌شه. این یعنی صرفه‌جویی هم در زمان، هم در اینترنت و هم در دردسرهای بعد از دانلود. 🚀

#AI
#LLM
#LocalLLM
#Ollama
#MachineLearning
#OpenSource
#GPU
#Developer
#GenAI

🔥 اگه با LLM و AI Agentها کار می‌کنی، این پروژه رو ببین!

در واقع یه پلتفرم متن‌باز و تقریباً همه‌کاره‌ست که کلی از چیزهایی که برای ساخت و مدیریت سیستم‌های AI لازم داری رو یکجا جمع کرده.

مثلاً:
🤖 مدیریت و اجرای AI Agentها
🔀 مسیریابی هوشمند بین مدل‌های مختلف
🤝 ارتباط بین Agentها با A2A
🧠 پشتیبانی از RAG و Knowledge Base
📊 مانیتورینگ و مشاهده عملکرد سیستم با OpenTelemetry و Prometheus
حتی می‌تونی Claude Code، Codex یا Cursor رو از طریق یک Gateway به مدل‌ها و ابزارهای مختلف وصل کنی.

در واقع دوستان یعنی به‌جای اینکه برای هر بخش یه سرویس جدا راه بندازین، Archestra تلاش می‌کنه همه این قطعات رو توی یه پلتفرم واحد جمع کنه.

📌 اگر روی LLM، MCP، AI Agent یا معماری سیستم‌های Agentic کار می‌کنی، ارزش داره حداقل یه بار بررسیش کنی.

🔗 لینک پروژه : ARCHESTRA

#هوش_مصنوعی
#LLM
#AIAgents
#MCP
#RAG
#OpenSource

انویدیا یک API رایگان برای مدل‌های هوش مصنوعی ارائه داده! 🤖

انویدیا یک API رایگان در اختیار توسعه‌دهنده‌ها قرار داده که می‌تونی با مدل‌هایی مثل:

🔹 DeepSeek V4
🔹 MiniMax M3
🔹 GLM 5.2
🔹 Gemma 4

کار کنی.

برای تست و توسعه خیلی کاربردیه، مخصوصاً وقتی می‌خوای قبل از پرداخت هزینه ببینی یک مدل چطور عمل می‌کنه یا چند مدل مختلف رو با هم مقایسه کنی.

نکته جالب اینه که برای استفاده از این API نیازی به وارد کردن اطلاعات کارت بانکی نیست.

البته من هم امتحانش کردم؛ برای استفاده مستقیم داخل ابزارهایی مثل OpenCode، به نظرم همیشه گزینه ایده‌آلی نیست.

چرا؟

چون این APIها به دلیل رایگان بودن معمولاً سرعت پایین‌تری دارن و بعضی وقت‌ها ممکنه وارد صف انتظار بشی.

بهتره بهش به چشم یک محیط آزمایشی نگاه کنی:

قبل از اینکه برای یک API پولی هزینه کنی، مدل‌ها رو تست کن، رفتارشان رو مقایسه کن و ببین کدام مدل برای پروژه‌ات مناسب‌تره.

لینک : nvidia


#هوش_مصنوعی
#برنامه_نویسی
#مدل_زبانی
#توسعه_نرم_افزار
#یادگیری_ماشین

#AI
#LLM
#NVIDIA
#DeepSeek
#Gemma
#MachineLearning
#AIEngineering
#OpenSource

نسخه جدید LibreOffice منتشر شده و جالب‌ترین ویژگی‌ای که رویش تأکید شده، چیزی هست که داخلش وجود نداره: هوش مصنوعی اجباری.

اگر بخوای از AI استفاده کنی، خودت انتخابش می‌کنی. اسناد و فایل‌هات بدون اجازه از سیستم خارج نمی‌شن و حتی برای قابلیت‌های مرتبط با AI هم قرار نیست استفاده‌ات ردیابی بشه.

در واقع LibreOffice داره همون کاری رو می‌کنه که از یک Office Suite انتظار داریم؛ ابزارهای اداری رو ارائه می‌ده، بدون اینکه وسط کار مدام یک لایه AI بهت تحمیل کنه.

این رو وقتی کنار مسیر Microsoft و Google بذاریم، جالب‌تر می‌شه. مایکروسافت داره Copilot رو هرچه بیشتر وارد Office می‌کنه و گوگل هم Gemini رو به Workspace میاره. خود لیبر آفیس اما عمداً مسیر متفاوتی رو انتخاب کرده.

شاید مهم‌ترین بخش ماجرا همین باشه؛ در دوره‌ای که تقریباً همه‌جا AI داره به شکل پیش‌فرض وارد نرم‌افزارها می‌شه، LibreOffice داره روی انتخاب کاربر، حریم خصوصی و پردازش محلی تأکید می‌کنه.

گاهی ویژگی اصلی یک نرم‌افزار، چیزی نیست که اضافه کرده.

چیزی هست که تصمیم گرفته اضافه نکنه.

#LibreOffice
#OpenSource
#Privacy
#ArtificialIntelligence
#AI
#MicrosoftOffice
#GoogleWorkspace
#Software
#OpenSourceSoftware
#DataPrivacy
#LocalAI
#Tech
#Technology

لینوکس بدون هیچ همکاری از طرف اپل، حالا یک قدم دیگه برای پشتیبانی از تاندربولت روی تراشه‌های اپل سیلیکون برداشته.

لینوس توروالدز اومده اولین نسخه آزمایشی هسته لینوکس ۷.۳ رو منتشر کرده و یکی از تغییرات مهمی که داخلشه، پشتیبانی اولیه از یو‌اس‌بی ۴ و تاندربولت روی تراشه‌های ام ۱ تا ام ۳ اپله.

این قابلیت نتیجه چند سال مهندسی معکوس سخت‌افزارهای اپله که توسط تیم کوچیک و داوطلب اساهی لینوکس انجام شده. حالا بخش مهمی از این تلاش‌ها رسماً وارد هسته اصلی لینوکس شده.

البته نسخه آزمایشی اول به معنی انتشار نسخه نهایی نیست. این مرحله بیشتر نشون می‌ده تغییرات اصلی وارد شاخه انتشار شدن و از اینجا چند هفته آزمایش و رفع مشکل باقی می‌مونه تا نسخه نهایی لینوکس ۷.۳ احتمالاً حوالی اواسط تا اواخر اکتبر منتشر بشه.

چیزی که این ماجرا رو جالب می‌کنه فقط اضافه شدن یک قابلیت جدید نیست. یک تیم داوطلب، بدون دسترسی رسمی به جزئیات سخت‌افزار اپل، سال‌ها وقت گذاشته تا بخش‌هایی از این سخت‌افزار رو مهندسی معکوس کنه و حالا نتیجه کارش داره وارد هسته رسمی لینوکس می‌شه.

این دقیقاً یکی از نقاط قوت دنیای متن‌بازه. وقتی سازنده سخت‌افزار همکاری نمی‌کنه، جامعه توسعه‌دهندگان هنوز می‌تونه مسیر خودش رو پیدا کنه.

#Linux
#LinuxKernel
#AppleSilicon
#AsahiLinux
#Thunderbolt
#USB4
#OpenSource
#ReverseEngineering
#KernelDevelopment
#LinuxDevelopment
#Apple
#M1
#M2
#M3
#SoftwareEngineering
#Technology

سازنده PostgreSQL یه جمله جالب درباره رقیب قدیمی این دیتابیس گفته. مایکل استون‌بریکر، خالق PostgreSQL، معتقده بخشی از محبوبیت امروز PostgreSQL رو باید مدیون Oracle بود.

ماجرا برمی‌گرده به سال ۲۰۱۰، زمانی که Oracle شرکت Sun Microsystems رو خرید و MySQL هم وارد مجموعه Oracle شد. همین اتفاق باعث شد خیلی از توسعه‌دهنده‌ها نسبت به آینده MySQL نگران بشن و بعضی‌ها حتی قبل از اینکه اتفاق خاصی برای پروژه بیفته، شروع به بررسی و مهاجرت به گزینه‌های دیگه کنن.

به گفته استون‌بریکر، همین ترس یکی از نقاط شروع رشد جدی PostgreSQL بود. جالب‌تر اینکه سال‌ها بعد، وضعیت MySQL واقعاً تغییر کرده. در سپتامبر ۲۰۲۵، Oracle تعدادی از نیروهای تیم اصلی MySQL رو تعدیل کرد و این موضوع دوباره بحث آینده MySQL رو داغ کرد.

در طرف مقابل، PostgreSQL طی این سال‌ها رشد خیلی زیادی داشته. این دیتابیس در سال ۲۰۲۳ به محبوب‌ترین دیتابیس بین توسعه‌دهنده‌ها تبدیل شد و شرکت‌هایی مثل Microsoft، Google و Amazon هم سرویس‌های خودشون رو بر پایه سازگاری با PostgreSQL توسعه دادن.

استون‌بریکر درباره وضعیت امروز MySQL حتی از عبارت خیلی تندی استفاده کرده و گفته این پروژه داره به رقیبی تبدیل می‌شه که عملاً در حال محو شدنه.

اما چیزی که برای من جالب‌تره، دلیل موفقیت PostgreSQL از نگاه خودشه. به گفته اون، PostgreSQL توسط یک گروه نسبتاً کوچک از برنامه‌نویس‌های بسیار باتجربه و مستقل هدایت می‌شه. دقیقاً همون چیزی که از نظرش بهترین شکل ممکن برای یک پروژه اوپن‌سورسه.

شاید بزرگ‌ترین مزیت PostgreSQL همین استقلال باشه. وقتی یک پروژه به یک شرکت واحد وابسته نباشه، تصمیم‌های تجاری یک شرکت نمی‌تونن به‌تنهایی مسیر آینده اون رو تعیین کنن.

در واقع Oracle احتمالاً هیچ‌وقت قصد نداشت با خرید MySQL به PostgreSQL کمک کنه، ولی نگرانی‌ای که ایجاد کرد باعث شد بخشی از جامعه توسعه‌دهنده‌ها به سمت PostgreSQL برن. پانزده سال بعد، این تصمیم عملاً یکی از بزرگ‌ترین مزیت‌های PostgreSQL رو شکل داده.

#PostgreSQL
#MySQL
#Oracle
#Database
#OpenSource
#SQL
#SoftwareEngineering
#Developers
#Backend
#Technology
#Programming
#DatabaseManagement

شاید یکی از دلایلی که امروز صدها Open Source C2 داریم ولی تعداد خیلی کمی از اون‌ها واقعاً در دنیای واقعی قابل استفاده‌ان، همین باشه.

بعد از یه نقطه مشخص، واقعاً Coding بخش کوچکی از نتیجه نهایی می‌شه. شاید حتی همون ۱۰ درصدی که همه بیشتر می‌بیننش. بخش اصلی ماجرا جاییه که باید خارج از چارچوب معمول فکر کنی، Research خودت رو انجام بدی، فرضیاتت رو به چالش بکشی و یک سناریو رو بارها و بارها تست کنی.

ساختن چیزی که روی کاغذ کار می‌کنه یک مسئله‌ست. ساختن چیزی که در دنیای واقعی قابل اتکا باشه، مسئله کاملاً متفاوتیه.

برای همین فکر می‌کنم تفاوت بین یک پروژه معمولی و یک ابزار واقعاً کاربردی، اغلب نه در تعداد Lines of Code، بلکه در میزان فکر، تحقیق و Testing پشت اون مشخص می‌شه.

در نهایت Coding شاید فقط ۱۰ درصد نتیجه باشه. ۹۰ درصد دیگه مربوط به طرز فکر، Research و تست بی‌پایانه.

#Programming
#Cybersecurity
#RedTeam
#C2
#OpenSource
#OffensiveSecurity
#Pentesting
#SoftwareEngineering
#Research
#ProblemSolving

چه خوشتون بیاد چه نیاد، Omarchy تونسته تجربه Linux Desktop رو واقعاً جذاب‌تر کنه.

شاید قرار نباشه همه باهاش موافق باشن، ولی نمی‌شه انکار کرد که Omarchy دوباره توجه خیلی‌ها رو به تجربه استفاده روزمره از Linux روی Desktop جلب کرده.

گاهی برای بهتر شدن یک پلتفرم، لازم نیست همه‌چیز از صفر ساخته بشه. فقط کافیه یکی بالاخره تجربه کاربری رو جدی بگیره.

#Linux
#Omarchy
#LinuxDesktop
#OpenSource
#DesktopLinux
#Technology
#Software