近日，微软推出的最新视觉基础模型Florence-2取得重大突破，借助Transformers.js技术，该模型现已能够在支持WebGPU的浏览器中100%本地运行。这一突破为AI视觉应用带来了革命性的变化，使得强大的视觉识别功能可以直接在用户的浏览器中实现，无需依赖远程服务器。
实时浏览器端语音识别应用
在浏览器中直接运行先进的机器学习模型。
ryandono
本模型是 mixedbread-ai/mxbai-edge-colbert-v0-17m 的量化（Int8 / Q8）版本，专为与 transformers.js 配合使用而导出。它包含了48维ColBERT架构所需的自定义投影层，旨在提供高效的向量检索能力。
onnx-community
Supertonic-TTS-ONNX是一个基于ONNX格式的文本到语音转换模型，能够将英文文本转换为自然流畅的语音。该模型基于Supertone/supertonic基础模型开发，专为Transformers.js库优化，支持在浏览器环境中高效运行。
SAM3是基于概念的任意分割模型，能够根据输入的点、框等提示信息生成精确的图像分割掩码。该版本是ONNX格式的SAM3跟踪器模型，通过Transformers.js库可在浏览器环境中高效运行。
tomasmcm
TeapotLLM的ONNX版本，支持通过Transformers.js在浏览器中运行的多语言文本生成模型。
基于ONNX格式的轻量级零样本目标检测模型，兼容Transformers.js，适用于浏览器端部署。
eligapris
这是微软SpeechT5文本转语音(TTS)模型的ONNX格式转换版本，专为Transformers.js优化
这是OpenAI Whisper Large V3 Turbo模型的ONNX格式版本，专门适配Transformers.js库，可在网页端高效运行语音识别功能。该模型支持多语言语音转录和翻译。
这是OpenAI Whisper-tiny模型的ONNX格式转换版本，专门适配transformers.js库，用于在Web浏览器中实现高效的语音识别功能。
基于 transformers.js 的深度估计模型，用于从单张图像预测深度信息。
Depth-Anything-V2-Base 是一个基于 ONNX 格式的深度估计模型，适配 Transformers.js，用于在 Web 端进行图像深度估计。
Depth Anything V2 Small 的 ONNX 版本，专为 Transformers.js 设计，用于单目深度估计任务。
本项目将 OpenAI 的 Whisper-small 语音识别模型转换为 ONNX 格式，使其能够与 Transformers.js 库兼容，从而实现在 Web 浏览器或 Node.js 环境中直接运行，无需依赖 Python 后端。
xavierbarbier
基于Transformers.js的法语零样本分类模型，支持对法语文本进行多类别分类而无需特定训练
这是一个基于transformers.js的法语零样本分类模型，适用于无需微调即可进行多类别文本分类任务。
Xenova
基于GAN的4倍超分辨率图像放大模型，兼容Transformers.js
基于 YOLOv9 的目标检测模型，适配 Transformers.js，支持在浏览器中运行
基于 YOLOv9 (GELAN-C) 架构的目标检测模型，专为 Transformers.js 优化的 ONNX 版本
基于Transformers.js的深度估计模型ONNX版本，适用于网页端应用
基于Transformers.js的深度估计模型，适配ONNX权重版本，用于从图像中预测深度信息。
基于ONNX格式的小型深度估计模型，适配Transformers.js框架，适用于网页端深度图预测
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
