WeVisOne-VL
微信视觉团队开源统一感知模型,检测/OCR/分割/抠图一个模型全包
腾讯微信视觉团队开源的统一感知模型:检测/OCR/计数/分割/抠图一个模型完成,2B/4B 两档,NOASSERTION 许可,1,070 星。
「GitHub」栏目下「音视频」分类的已发布内容,按本站发布日期从新到旧排列。
39 条
微信视觉团队开源统一感知模型,检测/OCR/分割/抠图一个模型全包
腾讯微信视觉团队开源的统一感知模型:检测/OCR/计数/分割/抠图一个模型完成,2B/4B 两档,NOASSERTION 许可,1,070 星。
清华团队 2B 参数开源 TTS,30 语种语音克隆与设计,48kHz 录音棚音…
清华 NLP 实验室(OpenBMB)开源 TTS:2B 参数、30 语种、声音设计与可控克隆、48kHz 输出,RTF 低至 0.3,Apache-2.0。
一张授权肖像加一段脚本,Agent 产出过质检的数字人口播视频
岚叔开源的 Agent Skill:脚本变数字人口播成片(口型、字幕、动效、渲染、质检全流程),另有 12 种风格的演示片路线,MIT,2,924 星。
中文故事一键变手绘翻书动画
gnipbao 的开源 Agent Skill:中文故事变 3:4 竖屏手绘动画 MP4,327 项风格资产,手写字绘入画面,Remotion 渲染,MIT。
全平台免费流媒体音乐客户端,免登录无广告
开源跨平台音乐 App:五端免费流媒体与下载,Spotify 歌单导入、75 国热歌榜,音源走 YouTube API,免账号无广告,MIT。
把影视榜单与 DHT 检索放进自托管站点
mediasite 汇总 TMDB 榜单和豆瓣、烂番茄评分,并用 bitmagnet 自托管 DHT 检索磁力链接;部署需多容器和 TMDB 密钥。
听你唱歌就知道哪里跑调的开源 Mac 练歌软件
开源免费的 Mac 唱歌训练器:放 Spotify 或 Apple Music 跟唱,旋律学在本地,音高实时画在音符条上逐行打分,MIT 开源。
系统声音实时转双语字幕,全程离线
AudioScript 声稿监听系统声音或麦克风,sherpa-onnx 本地识别加 opus-mt 本地翻译,中英双语字幕悬浮在屏幕上,离线可用。
一张照片实现实时换脸,97k 星背后的使用边界
Deep-Live-Cam 是 AGPL-3.0 的实时换脸工具,单张照片即可驱动,README 自带伦理声明与内容拦截,仅限获得本人同意的用途。
给编程智能体装上耳朵
开源 Python 工具 earshot 让 AI 智能体听懂声音:描述、匹配、找最佳片段、鉴别真伪、给宣传片打分,还能用代码合成音效,纯 CPU 本地跑。
Apple Silicon 上本机同声传译,首段语音约 170 毫秒
VoxWeft 把 VoxCPM2 移植到 MLX 做本机同声传译:首段音频约 170 毫秒,支持 30 种语言与 5 秒声线克隆,数据不出机。
灰盒视频实时渲染成细节画面
EdenLive 是 VAST 开源的实时生成式渲染器,给游戏原型和交互世界换画面:输入灰盒视频、首帧和提示词,代码 Apache-2.0,权重许可按组件分开。
开源语音合成、识别与音频理解
Ming 3.0 TTS 覆盖语音合成、识别与音频理解:含 0.5B 和 7.9B 版本、上下文转写与 126B 音频模型,部署需匹配 GPU。
用 AI 把视频里的硬字幕擦掉,再把背景补回来
VSR 用 PaddleOCR 定位硬字幕,再用 LAMA、STTN 或 ProPainter 补画背景,本地运行、无损分辨率,Apache-2.0。
先写可编辑乐谱,再生成带人声的歌曲
YuE2 是开源音乐生成模型,先出可编辑的乐谱再渲染人声与伴奏,适合改编旋律、换和声的创作者;代码 Apache-2.0,权重 CC BY-NC 4.0。
无浏览器内核的 Rust Spotify 桌面客户端
Spotifast 是无浏览器内核的跨平台 Rust Spotify 客户端,内存约 100–250 MB,支持 Connect,播放需 Premium。
流式视频理解模型
VLX-Flow 是流式视频理解模型:视频按块处理、增量更新记忆,提问时直接从记忆作答。仓库目前只含文档和图片,权重尚未发布。
不重编码,秒级剪掉视频片段
LosslessCut 把 FFmpeg 流复制包成跨平台图形界面:剪掉片头片尾不重编码、不损画质、几秒出片,摄像机和无人机大素材粗剪首选。
输入主题自动出高清短视频
MoneyPrinterTurbo 是开源的 AI 短视频生成工具:输入主题自动写脚本、配素材、配音、合成 1080P 成片,MIT 协议,批量出片场景省时间。
免费开源的演示视频录制编辑器
Recordly 是开源的 Screen Studio 替代:录屏自动加缩放和光标动效、装进样式背景框,导出 MP4 或 GIF,三平台可用。
录屏逐帧编辑直出 GIF
Windows 上老牌的开源录屏转 GIF 工具:框选区域录制、逐帧删改标注、导出 GIF、APNG、视频或 PSD,单文件免安装。
让 Claude Code 替你剪视频
browser-use 开源的 video-use 把剪辑交给编程代理:素材丢进文件夹、对话下指令,自动剪口头禅、调色、加字幕,产出 final.mp4。
一键字幕翻译加配音的开源流水线
VideoLingo 把视频翻译做成一键流水线:词级识别对齐、AI 分段、术语表翻译、多后端配音甚至声音克隆,Apache-2.0 开源。
把 ElevenLabs 搬回本机的开源语音工作台
VoiceStudio 是 ElevenLabs 的本机开源替代:克隆、配音、转写不联网,17 套 TTS、9 套转写引擎,MCP 供 Agent 调用。
把剪辑计划变成可编辑的剪映草稿
在 Mac 上把结构化剪辑计划生成可编辑的剪映多轨草稿,再调本机剪映引擎导出 MP4;多轨、画中画、字幕、关键帧都支持。需剪映 11.5。
终端里一键下载全网视频
基于 yt-dlp 的终端下载器,YouTube、X、TikTok 等 1,800+ 站点粘链接选清晰度落盘,音频可存 MP3,自带依赖,MIT。
输入主题自动出片的短视频引擎
Pixelle-Video 是阿里开源的 AI 全自动短视频引擎:输入主题自动写文案、配图、配音并合成成片,Apache-2.0 可商用。
能实时对话的流式数字人直播引擎
LiveTalking 是 lipku 开源的实时流式数字人引擎:音视频同步、可打断、多并发,WebRTC 低延迟输出,Apache-2.0 可商用。
照片加音频生成口播数字人
美团 LongCat 团队开源的数字人模型:一张照片配一段音频生成口播视频,1.5 版换用 Whisper 做口型同步、8 步蒸馏加速,MIT 协议可商用。
短样本克隆真人音色的开源 TTS
OpenBMB 的 VoxCPM2 用 2B 参数做开源语音克隆:30 种语言、48kHz 输出,Apache-2.0 可商用,配音和播客都能本地跑。
把 AI 编码助手变成视频制作工作室
OpenMontage 让 AI 编码助手跑完视频生产线:调研、脚本、分镜到合成,渲染前先给分镜表和成本预估,零 API Key 也能用开放档案出片。
AI 找高光,本地剪出能直接发的短片
AutoClip 是一个开源视频剪辑工具:导入访谈、播客、课程或游戏录屏,AI 从字幕提取大纲、给片段打精彩分并切成短片合集,你确认后再渲染导出。和把素材传云端的剪辑服务不同,剪辑渲染全在本机,模型 Key 自备,走 Ollama 可完全离线;桌面、Docker、CLI/MCP 三种用法,能按抖音、Shorts、B 站预设导出并直接发布。
一句话让 Agent 把主题做成讲解视频
html-explainer 是给 Claude Code、Codex 等编程智能体用的开源 Skill:给一个主题,它从调研、解说词、配音一路跑到逐帧渲染和封面,产出带硬字幕的讲解视频。画面用 HTML 和 GSAP 写,不录屏、靠 seek 渲染保证帧级可复现,默认 edge-tts 免费免密钥,全程本地跑。
把配音工作台整个搬到本地的开源语音创作工具
给视频、课程和有声内容做配音,常见的路是粘进云端 TTS:按字收费、声音同质化、文稿还得先上传。yovoice 把 7 个本地 TTS 模型经 audio.cpp 跑在自己机器上,1-60 秒参考音频克隆声音,录音、剪辑、导出齐备,另带 CLI 和 Agent Skill。Apache-2.0 开源,macOS 与 Windows 可用。
AI 一键生成故事短视频
开源工具 Story-Flicks 只需一个故事主题,就能自动产出带 AI 插图、朗读和字幕的完整短视频;文本模型可接 DeepSeek、阿里云、OpenAI 等服务商,提供 Docker 一键部署与多语言产出。
本地音视频转结构化笔记
开源音视频笔记工具:FunASR 本地识别语音,Ollama 本地模型整理成结构化 Markdown,数据不出本机,适合整理会议和访谈录音。
插件化音源的开源跨平台播放器
用 Flutter 打造的开源音乐客户端,覆盖桌面与手机;音源、歌单和元数据靠插件接入,播放控制在本地完成、不收集遥测,曲目可带标签下载离线收听。
Go 编写的跨平台命令行视频下载工具
Lux 是用 Go 编写的命令行视频下载工具,解析 B 站、抖音、YouTube 等 45 个站点的真实流地址,支持清晰度选择、字幕下载、播放列表批量抓取与断点续传。
本地电子书转有声书工具
在本地把电子书转成有声书的开源工具,内置多种 TTS 引擎,支持语音克隆和 1158 种语言,可输出带章节与元数据的 m4b,无需云服务,最低 2GB 内存即可运行。