--- title: "🧪 0.8B 搞定發票！Xiaomi-OCR-0 超輕量模型｜地端 AI 實驗室" description: "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！" canonical_url: "https://blog.markkulab.net/local-ai-lab/local-ai-lab-2026-10-31" author: "Mark Ku" author_url: "https://blog.markkulab.net/author/mark-ku" site: "Mark Ku's Blog" date_published: "2026-10-31T02:00:00.000Z" category: "地端 AI 實驗室" tags: ["local-ai", "podcast", "地端模型", "lora", "開源模型", "Xiaomi-OCR-0", "Audio8-TTS-Realistic-0.6b", "地端AI實驗室"] language: "zh-TW" license: "CC BY 4.0" license_url: "https://creativecommons.org/licenses/by/4.0/" attribution: "轉載或引用請註明作者並附上原文連結" --- # 🧪 0.8B 搞定發票！Xiaomi-OCR-0 超輕量模型｜地端 AI 實驗室 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**: 1. **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。 2. **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。 3. **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： ```bash vllm serve xiaomi-research/Xiaomi-OCR-0 --host 127.0.0.1 --port 8000 --max-model-len 16384 ``` 另外也可以直接使用 Transformers 載入。 - **連結**: [xiaomi-research/Xiaomi-OCR-0](https://huggingface.co/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**: 1. **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。 2. **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。 3. **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： ```python 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](https://huggingface.co/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！ --- ## 關於本文與作者 本文出自 [Mark Ku's Blog](https://blog.markkulab.net/local-ai-lab/local-ai-lab-2026-10-31) 授權條款： [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) — 轉載或引用請註明作者並附上原文連結 ### 關於作者 **[Mark Ku](https://blog.markkulab.net/author/mark-ku)** — 軟體工程師 - 10 年以上軟體工程師 - 做過北美電商與 AI SaaS 訂閱收費系統 ### 作者開發的免費工具 以下工具皆可免費使用： - [免費 PDF 簽名工具](https://blog.markkulab.net/tools/pdf-sign): 線上 PDF 簽名工具，瀏覽器內完成手繪、打字、上傳簽名，可拖曳放置、縮放、下載。所有處理都在你的裝置完成，檔案不會上傳。 - [VS Code Refactory](https://blog.markkulab.net/tools/refactory): Refactory 是一款 VS Code 重構擴充套件：34 個重構動作、37 條 code smell 檢查、Code Health 儀表板、18 種語言、534 支測試。懂你的專案慣例：介面放哪、DI 註冊寫在哪、'use client' 該不該加；還會用 git 修改頻率 × 複雜度排出「該先修哪個檔案」，並一鍵把壞味道交給你自己電腦上的 Claude Code 修。免費使用，原始碼不離開你的機器。 - [DB-Kit 資料庫管理工具](https://blog.markkulab.net/tools/db-kit): DB-Kit 是一個用 Tauri + Rust + React 打造的輕量跨平台資料庫管理工具，用單一一致的介面同時管理 MySQL、MariaDB、PostgreSQL、SQL Server、Oracle、SQLite、MongoDB、Redis、Kafka、Elasticsearch 與 RabbitMQ 十一種資料來源：連線密碼以 OS keychain 加密、SSH Tunnel、完整 CRUD、視覺化查詢建構器、多結果集同時顯示、跨連線資料傳輸、結構與資料比對（同步 SQL、結構快照）、Excel / CSV 匯入匯出、執行計畫視覺化、ER 圖、排程備份、SQL 壓力測試（p50～p99 延遲百分位）、15 條規則的 SQL 審查、執行前 AI 審查並逐句備份的「審查並執行」（自動產生回滾腳本）、Kafka 訊息瀏覽與監控告警、SSH 終端機與 SFTP / FTP、Docker / Kubernetes、遠端桌面（RDP / VNC / RustDesk）、檔案 / 資料夾比對、預存程序整合測試；六種介面語言，內建 AI 助手（本機 CLI 或 Anthropic / OpenAI 相容 API，自然語言生成 SQL、AI 審查與調校建議）與命令列工具 dbk。免費開源（MIT），提供 Windows / macOS / Linux 安裝檔。 - [VS Code Super Mermaid](https://blog.markkulab.net/tools/super-mermaid): Super Mermaid 是一款 VS Code 擴充套件：開箱即用的漂亮 Mermaid 圖表，自動上色、即時預覽、滑鼠平移縮放、PNG / SVG 高解析匯出，內建 21 種範本與多種主題。免費開源（MIT）。 - [React Super Mermaid](https://blog.markkulab.net/tools/react-super-mermaid): react-super-mermaid 是一個開源 React 元件庫：一行 即可渲染漂亮的 Mermaid 圖表，內建 colorful / sketch 主題、平移縮放、圖內搜尋、SVG / PNG 高解析匯出。輕量、SSR 安全、完整 TypeScript 型別。免費開源（MIT）。 - [Jira / Confluence Super Mermaid](https://blog.markkulab.net/tools/jira-super-mermaid): Atlassian Forge app：在 Jira issue 與 Confluence 內文直接寫 Mermaid 語法，畫流程圖、時序圖、狀態機與甘特圖。11 種圖表、SVG / PNG 匯出、明暗主題、完整中日韓文字支援。取得 Runs on Atlassian 資格：圖表存在你自己的站台，app 不呼叫任何第三方服務。免費，即將上架 Atlassian Marketplace。 - [Mermaid 線上預覽](https://blog.markkulab.net/tools/mermaid-preview): 在瀏覽器裡寫 Mermaid、即時看圖，整張圖表壓進網址就能分享。免註冊、不上傳伺服器，相容 mermaid.live 的分享連結。 - [React Intl Phone Number](https://blog.markkulab.net/tools/react-intl-phone-number): react-intl-phone-number 是一個開源 React 元件：framework-agnostic、不依賴 antd，提供 E.164 進出、可搜尋國旗 / 國碼下拉、可配置驗證等級（strict / mobile-strict / loose）、可主題化 CSS 與 i18n，電話邏輯由 google-libphonenumber 驅動。輕量、完整 TypeScript 型別。免費開源（MIT）。 - [Uptime Kuma Cluster](https://blog.markkulab.net/tools/uptime-kuma-cluster): 把單機版 Uptime Kuma 改造成高可用叢集：OpenResty + Lua 智慧負載平衡、MariaDB 共享狀態、健康檢查與自動 Failover，附監控與叢集管理 RESTful API，一行 Docker Compose 啟動。免費開源（MIT）。 - [AI Podcast Cut 音檔剪輯](https://blog.markkulab.net/tools/ai-podcast-cut): 丟進一段錄音，AI 幫你剪掉「嗯、呃、那個」與講到一半重講的片段，平衡逐段音量，並派第二個 agent 覆核每一刀。辨識與去人聲都在你自己的電腦上跑，不上傳、不需要金鑰。剪點會貼齊字邊界與零交越、每一刀都有漸弱漸強，句尾還留得住呼吸感。Windows / macOS / Linux 桌面應用，MIT 開源，Windows 安裝檔內建 ffmpeg。 - [AI Video Cut 影片剪輯](https://blog.markkulab.net/tools/ai-video-cut): 在影片裡選一個東西：打字（人臉、車牌、手機螢幕、logo）、手動點選或拖框，或交給 Claude Code / Codex 挑。AI Video Cut 會逐幀追蹤它，再幫你打馬賽克或模糊、調色、加跟著走的貼紙與文字、把螢幕或海報換成你的圖片或影片，甚至用其他幀拍到的背景把它移除。另有序列剪輯、本機字幕與 AI 助手。免費開源（MIT）的 Windows 桌面應用（macOS / Linux 實驗中），本機運行，影片不上傳。 - [open-pos 開源餐飲 POS](https://blog.markkulab.net/tools/open-pos): 一台電腦加一台出單機就能開店。資料存在自己的硬碟裡、沒有月租、沒有綁約，MIT 全開源。金額用整數元依營業稅法拆算稅額，銷售額加稅額恆等於總額；出單走網路型 ESC/POS（TCP 9100），不必裝廠商驅動。Tauri + Rust + SQLite 桌面應用，v1.0 開發中。 - [.NET 電商 API 架構範本](https://blog.markkulab.net/tools/dotnet-ecommerce-api): 以 .NET 10 打造的電商平台後端 API 架構範本：Controller → Service → Repository 分層、Autofac 依命名慣例自動註冊、SqlSugar 支援 MySQL / MariaDB 與 SQL Server、Redis 快取與訊息佇列、Hangfire 排程、JWT 認證，內建可擴充的金流 Provider 模組（綠界 ECPay、藍新 Newebpay）。Apache 2.0 開源。 - [Open Token Monitor 團隊 AI 用量監控](https://blog.markkulab.net/tools/open-token-monitor): 把每位員工電腦上 AI coding 工具的 token 用量與等值成本集中到公司自架的 hub：PostgreSQL、組織名單、依公司與部門比較的 dashboard、報表 API。員工端有 Electron 與 Rust/Tauri 兩種，每 30 分鐘自動上傳。MIT 開源，Docker 一行起。 - [AI 資安監控 ai-security-monitor](https://blog.markkulab.net/tools/ai-security-monitor): 網站上線了，漏洞、憑證與安全設定誰來檢查？ai-security-monitor 用自架 Security Hub 集中網站掃描與主機監控，合併重複發現、比對修補前後，讓你知道哪些問題還沒處理。 ### 每日 Podcast - [Mark's Tech Insights 每日 AI 新鮮事](https://blog.markkulab.net/category/tech-news): 每日精選 AI 與科技趨勢，透過語音摘要快速掌握最新技術動態，涵蓋 AI 應用、軟體架構、DevOps 與工程實戰。 — RSS: https://blog.markkulab.net/feed.xml - [AI股市蝦聊](https://blog.markkulab.net/category/ai-stock-chat): 每個交易日用 AI 分析台股盤勢，以雙人對話聊當天的盤中觀察與隔日預測。 — RSS: https://blog.markkulab.net/ai-stock-chat/feed.xml - [開源好物日報](https://blog.markkulab.net/category/open-source-weekly): 每天從 Hacker News、GitHub、Reddit 聲量雷達精選免費開源工具，以雙人對話聊解決什麼痛點與怎麼快速上手。 — RSS: https://blog.markkulab.net/open-source-weekly/feed.xml - [AI 運動日報](https://blog.markkulab.net/category/sports-weekly): 每天以雙人對話聊 NBA、MLB 與國際體壇大事，台灣球迷視角，輕鬆有梗不酸人。 — RSS: https://blog.markkulab.net/sports-weekly/feed.xml - [AI 國際新聞快報](https://blog.markkulab.net/category/world-news): 每天早上以雙人對話把過去一天的國際大事講白：政治外交、全球經濟、衝突與安全、災害與氣候，台灣視角、中立客觀、每則附出處。 — RSS: https://blog.markkulab.net/world-news/feed.xml - [地端 AI 實驗室](https://blog.markkulab.net/category/local-ai-lab): 每天精選可以下載到自己機器上跑的開源模型與 LoRA，用雙人對話講清楚能用在哪些場景、你的顯卡跑不跑得動、跟同類差在哪，規格一律引述官方 model card。 — RSS: https://blog.markkulab.net/local-ai-lab/feed.xml - [AI 行銷日報](https://blog.markkulab.net/category/ai-marketing): 每天以雙人對話整理最新 AI 在行銷、廣告、SEO／GEO 與內容行銷的大事，實戰視角、不業配、每則附出處。 — RSS: https://blog.markkulab.net/ai-marketing/feed.xml - [AI 資安日報](https://blog.markkulab.net/category/ai-security): 每天以雙人對話整理最新 AI 與資安交會的大事：LLM 與 AI agent 漏洞、prompt injection、模型供應鏈、攻擊者怎麼用 AI，防禦視角、每則附出處。 — RSS: https://blog.markkulab.net/ai-security/feed.xml ### 電子報 [訂閱電子報](https://blog.markkulab.net/subscribe) — 第一時間收到新文章通知，無垃圾信、隨時可取消訂閱。