KEKeras
Keras 是一个高级深度学习 API，运行在 TensorFlow 之上，提供直观的界面用于构建和训练神经网络模型，支持快速实验。
模型与多模态
基础模型、模型工具链与多模态能力。
已跟踪不可访问已归档不活跃
通用模型、权重发布与模型家族。
KE
PAPaddlePaddle
百度开发的开源深度学习平台，为机器学习和深度学习研究与生产提供全面的生态系统。
UTutopia
DeepLethe 出品的开源企业级世界模型：一个双时态知识图谱，被动地从你的材料中学习，把本体与时间感知放进 基础层，以单个 Rust 二进制加 Postgres 的形态离线部署。
模型转换、量化、压缩与部署辅助。
DEDetectron2
Facebook AI Research 的下一代目标检测与分割库，提供高性能的检测/分割算法与丰富的基准模型。
HUHugging Face Transformers
面向文本、视觉、音频和多模态任务的模型定义框架，提供推理和训练能力，是现代 AI/ML 开发的事实标准库。
文本、图像、音频、视频跨模态处理。
CHChandra
Chandra 是一个高精度 OCR 模型，能将图片与 PDF 转为带布局信息的结构化输出。
ELElevenLabs UI
ElevenLabs UI 是基于 shadcn/ui 构建的组件库与注册表，帮助更快构建多模态智能体界面组件。
LELeRobot
面向真实世界机器学习与机器人学的开源库，提供数据集、预训练策略与仿真环境，方便复现实验与工程化部署。
LILightX2V
LightX2V 提供轻量化的图像到向量转换模型，便于在低资源环境中进行视觉特征提取与向量检索。
OLolmOCR
用于将 PDF 与图像化文档线性化为可读纯文本和 Markdown 的工具包，面向 LLM 数据集构建与大规模文档处理。
PAPaddleOCR
PaddleOCR 是一个轻量且高性能的 OCR 工具包，支持 100+ 语言并可将图片或 PDF 转为结构化数据。
VLvLLM-Omni
一个为文本、图像、视频与音频等多模态模型提供高性能、低成本推理与服务的框架。
语音识别、语音合成和音频理解。
AUAutoSubs
在本地或与 DaVinci Resolve 集成，快速生成可编辑且精确的字幕。
COCosyVoice
多语种、高质量的流式 TTS / 语音生成工具包，支持零样本克隆与低延迟生成。
FIFish Speech
业界领先的开源文本转语音系统，具备声音克隆能力，支持多语言自然语音合成。
GEGenMedia Creative Studio
GenMedia Creative Studio 是一个基于 Vertex AI 的生成媒体演示应用，展示图像、视频、音频与文本到语音等多模态能力。
GPGPT-SoVITS
GPT-SoVITS 是一个开源少样本语音转换与 TTS WebUI，支持跨语言推理与工程化部署。
HAHandy
一款开源、本地化且可扩展的跨平台语音转文本桌面应用，注重隐私并支持 Whisper 与 Parakeet 等离线模型。
MOMockingBird
一个开源的语音克隆与实时语音生成工具，主打在数秒内克隆声音并支持边训练边在线合成。
NOnoScribe
面向质性研究和记者的本地化音频转录与编辑工具，基于 Whisper 与 Pyannote 提供说话人分离与可视化编辑功能。
OPOpenAI Whisper
基于大规模弱监督训练的鲁棒语音识别系统，支持 100+ 语言的转录和翻译，达到业界领先的准确率。
TETEN Framework
面向实时多模态对话与语音代理的开源框架与生态，提供示例、工具与运行时支持。
VIVibe
一款支持完全离线运行的跨平台音视频转录工具，强调隐私保护与批量处理能力。
VIVibeVoice
用于生成长对话式文本到语音的研究型框架，擅长多说话人长时段合成。仓库目前因安全与滥用风险被项目方暂时禁用，使用时请注意合规与伦理要求。
VOVoicebox
开源 AI 语音工作室，支持声音克隆、听写和音频创作，提供现代化 Web 界面。
VOVosk API
Vosk API 提供离线语音识别能力，支持 Android、iOS、Raspberry Pi 及服务器端的多语言 ASR。
WHwhisper.cpp
whisper.cpp 是 Whisper 的高性能本地实现，支持边缘设备与桌面平台上的语音识别部署。
视觉生成模型与图像视频创作工具。
AWAwesome Image & Video Prompts
面向主流 AI 图像与视频模型（GPT Image、Nano Banana、Seedance、Kling、Veo、Wan、MiniMax）的开源提示词合集，超过 2,200 条可复制即用的提示词，每条均原文引用自出处，并配以它实际生成的结果展示。另附用 ffmpeg 让智能体剪辑视频的配方，全部内容可在在线画廊中搜索筛选。
COComfyUI
基于节点的可视化 Stable Diffusion 工作流构建器，便于用图形化方式组装与调试图像生成流水线。
DEDeep-Live-Cam
Deep-Live-Cam 是一个开源的实时面部替换与虚拟形象（avatar）工具，支持离线运行并面向内容创作者与流媒体使用场景。
HUhuggingface diffusers
Diffusers：Hugging Face 提供的模块化扩展库，包含用于图像、音频及 3D 生成的预训练扩散模型与流水线。
HYHyperframes
HeyGen 出品的 HTML 转视频工具，专为 AI Agent 设计，通过代码即可程序化生成视频。
LTLTX-2
Lightricks 出品的 LTX-2 官方 Python 推理与 LoRA 训练包。LTX-2 是首个基于 DiT 的音视频基础模型， 在单一模型内生成音画同步的视频。
OPOpen Generative AI
AI 视频平台的开源替代方案，内置 200+ 模型，支持 Flux、Midjourney 风格生成和视频创作工作室。
OPOpenMontage
首个开源的智能体视频生产系统，将 AI 编程助手变成完整的视频工作室，自动完成调研、脚本、素材生成、剪辑与最终合成。
没有项目匹配当前筛选条件。