多模态生成
共 30 个仓库 · TypeScript
用 TypeScript 快速搭建 AI 应用和智能体的现代框架，内置工作流、对话机器人和评测能力，省去自己拼装 LLM 调用链的麻烦。
面向 Stable Diffusion 的专业图像生成引擎，提供行业领先的 WebUI，支持文生图、图生图、局部重绘和扩图，适合创作者与商业产品集成。
面向创作者的开源 AI 工作台，集视频下载、翻译配音、转录、图像与视频生成、剪辑于一体，支持 120 多种语言，适合做 YouTube、TikTok 等社媒内容本地化。
通用 AIGC 视频引擎，把剧本到成片串成一条流水线，覆盖漫剧、广告、电商和乙游等场景，省去多工具拼接的麻烦。
Google 开源的智能体应用开发框架，支持 JavaScript、Go、Dart 和 Python，内置 LLM 调用、多模态、RAG 与向量检索能力，帮开发者快速搭建生产级 AI 应用。
精选 GPT、ChatGPT、PaLM 等大模型的提示工程资源合集，涵盖提示设计、少样本学习与提示生成等实践资料，方便快速查找和上手。
基于微软语音合成接口的桌面工具，用 Electron + Vue 构建，输入文本即可生成语音并导出音频文件。
开源 AI 视频本地化配音工具，把 YouTube/Bilibili 视频自动做语音识别、字幕翻译、声音克隆和混音渲染，一站式生成多语言配音成片。
给 DeepSeek、GLM 等纯文本编码助手外挂视觉能力的插件，粘贴图片即可输出包含 OCR、版面和语义的结构化 JSON 证据。
一个基于 Gradio + React 的 WebUI，把 GPT-SoVITS、CosyVoice、XTTSv2、Bark、MusicGen、RVC 等二十多种语音合成、音频生成与音乐生成模型整合到同一界面，省去逐个部署的麻烦。
输入任意主题，自动生成带 TTS 旁白、字幕和章节进度条的黑底动态图形讲解视频，支持中英文，每帧都用 Remotion 代码绘制。
跨平台 AI 语言练习应用，基于 Electron 构建，接入 OpenAI 与 Azure 的对话和语音合成能力，让用户通过对话和朗读练习外语。
开源文本转语音工具，能把超长文本拆成多角色配音，适合做有声书和长内容朗读。
本地离线的 AI 音频与音乐工作站，支持语音合成、声音克隆、带歌词歌曲和多轨乐谱生成，无需联网和 API 费用。
在 Arduino ESP32 硬件上跑实时语音 AI，通过安全 WebSocket 和边缘函数接入 100+ 模型，做 AI 陪伴设备。
把剧本一键变成带动画的漫画视频，自动完成角色设计、分镜和视频合成，适合做故事短片和漫画内容。
面向双语会议的实时双向语音翻译工具，自动识别说话语言并双向互译，支持云端或完全离线本地运行，覆盖桌面端和浏览器插件。
汇总日语大语言模型资源的清单，涵盖基础模型与生成式模型，方便快速查找和对比日语 LLM 生态。
Reverse-engineered the official API for Jimeng/Dreamina’s text-to-image and image-to-image features. Drew inspiration from several experts’ projects and made some tweaks, which significantly improved stability.
给 DeepSeek Harness 加语音女友的插件：Whisper 听你说话，Qwen3-TTS 克隆音色并逐句流式朗读，配数字人动画窗，支持插话打断。
基于 Gemini Flash 图像 API 的 AI 图像生成与编辑工作台，支持参考图、蒙版局部重绘和版本历史，界面直观易上手。
开源 AI 视频工作台，可接入任意模型或本地 ComfyUI，让 Claude Code、Codex、Cursor 通过 MCP 指挥分镜、参考图、生成和真实时间轴上的可编辑初剪，项目与密钥全部留在本地。
面向智能体的创意工作台，把图像生成、图像处理和动态图形等模型接入统一界面，方便在创作流程中直接调用多种多模态生成能力。
给 Payload CMS 装的 AI 插件，在后台直接做文本生成、AI 写作、翻译和图像生成，省去接第三方服务的麻烦。