一推出就斬獲破萬下載，Xiaomi-OCR-0 這款 0.8B 超輕量模型，在複雜文檔解析上表現驚人！本期我們精選兩款極低門檻的開源利器，除了這款發票結構化解析高手，還有一款僅需 1.3 GB 顯示記憶體就能實現多國語音複製的 Edge0/Audio8-TTS-Realistic-0.6b，它們能解決哪些地端痛點？等一下告訴你！
本期精選
1. xiaomi-research/Xiaomi-OCR-0：0.8B 超輕量級文檔理解與結構化解析模型
- 這是什麼: 這是由小米研究團隊（xiaomi-research）推出的 0.8B 超輕量級文檔理解模型，基礎模型採用 Qwen3.5-0.8B-Base，並採用友善的 Apache-2.0 開源授權，非常適合在本地端進行高精度的圖片文字提取與結構化解析。
- 能用在哪些場景:
- 自動化記帳與財務報支: 軟體工程師需要從大量的 PDF 帳單或發票圖片中，自動提取特定欄位（如金額、日期、統一編號）並轉換成結構化的 JSON 格式，以利直接匯入記帳系統，完全不用擔心機密財務資料上雲。
- 隱私安全的文檔問答（VQA）: 開發者想要在本地端建立一個安全度極高的文檔問答系統，讓使用者可以直接上傳合約或內部報表圖片，並用自然語言詢問其中的數據細節，確保敏感商業合約不外流。
- 歷史檔案與複雜排版數位化: 系統整合商需要解析排版複雜、含有手寫字或表格的歷史文檔圖片，將其轉換為結構化的 Markdown 或純文字，以利後續建立全文檢索系統。
- 跑得動嗎: 根據官方 model card 標示，官方並未提供最低顯示記憶體（VRAM）的要求，但特別指出其為 0.8B 參數規模，下載大小約為 1.8 GB。官方說明也提到，實際運行所需的硬體資源會取決於視覺編碼器、圖像解析度以及上下文長度。由於參數規模極小，對於台灣開發者在本地低配備機器上運行非常友善，目前可用的格式為 safetensors。
- 本期聲量: 目前在 Hugging Face 上的熱度為 97，擁有約 16.0k 次下載與 153 個讚。
- 跟同類比: 根據官方技術報告指出，該模型在 Real5-OmniDocBench 的得分為 95.24，且在五項 OCR 導向的 VQA 基準上平均得分為 83.2。這個成績高於 Qwen3.5-0.8B（72.9）與 Qwen3.5-2B（80.9），在 1B 以下的模型中表現極具競爭力。
- 怎麼取得: 官方 README 說明可透過 vLLM 部署，部署指令為：
另外也可以直接使用 Transformers 載入。vllm serve xiaomi-research/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --max-model-len 16384 - 連結: xiaomi-research/Xiaomi-OCR-0
2. Edge0/Audio8-TTS-Realistic-0.6b：1.3 GB 顯示記憶體即可運行的多國語言語音合成與複製模型
- 這是什麼: 這是 Edge0 推出的一款 0.6B 超輕量語音合成與複製模型，同樣採用 Apache 2.0 授權。它能在極低的硬體資源下，實現高擬真的多國語言語音生成與聲音複製。
- 能用在哪些場景:
- 獨立遊戲 NPC 配音: 獨立遊戲開發者在預算有限的情況下，想為遊戲中的 NPC 加上多國語言配音，只需提供一段 3 秒的參考音檔與台詞，即可在本地端生成自然流暢的語音，省下龐大的配音成本。
- Podcast 與影音旁白自動生成: Podcast 創作者或影音小編需要將文字腳本快速轉為語音旁白，並希望聲音帶有自然的節奏與呼吸起伏，而非死板的機器音，讓聽眾更有沉浸感。
- 低配邊緣設備的語音助理: 軟體工程師想在本地建立一個支援 23 種語言的語音助理，需要極低的推論延遲與記憶體佔用，以整合進低規格的邊緣設備中。
- 跑得動嗎: 根據官方 README 標示，在 FP16 推論模式下，僅需要約 1.3 GB 的顯示記憶體（VRAM），如果進行 INT4 量化，還能進一步降低記憶體佔用。另外，依據論文說明，在 Apple M2 CPU 上運行 INT4 ONNX 格式時，峰值記憶體僅需要 1.1 至 1.2 GiB，對於沒有高階顯卡甚至只有 Mac 的開發者來說極度友善。目前可用的格式為 safetensors。
- 本期聲量: 目前在 Hugging Face 上的熱度為 140，擁有 2.8k 次下載與 142 個讚。
- 跟同類比: 根據官方與社群評測指出，該模型在 CV3（包含 9 種語言）的平均錯誤率僅為 4.86%，優於 CosyVoice3-1.5B（6.89%）與 Qwen3-TTS-1.7B（7.73%），以極小的 0.6B 體積達到了與更大尺寸模型媲美、甚至超越的表現。
- 怎麼取得: 官方 README 說明，在 Python 3.10+ 環境與相容 GPU 下，可直接使用 Transformers 載入，程式碼如下：
from transformers import AutoProcessor, AutoModel processor = AutoProcessor.from_pretrained("Edge0/Audio8-TTS-Realistic-0.6b", trust_remote_code=True) model = AutoModel.from_pretrained("Edge0/Audio8-TTS-Realistic-0.6b", trust_remote_code=True) - 連結: Edge0/Audio8-TTS-Realistic-0.6b
結尾段落
從今天的選題可以看出來，「小參數、高精準度」的端側（edge）模型正在快速崛起，不論是文檔解析還是語音合成，在 1B 以下的規模都能展現出超越過去大模型的驚人表現。如果你手上正好有發票報帳或是合約解析的專案，非常推薦先試試看 Xiaomi-OCR-0，用極低的資源就能建立起安全不外流的本地端工作流，那我們下期見囉！
留言