搜索结果：python（124 个）
按分类缩小范围
whisper （通用语音识别模型）
综合 50
基于大规模弱监督训练的高鲁棒性通用语音识别模型。
OCRmyPDF
综合 49
为扫描版 PDF 添加 OCR 文本层，使其支持文本搜索。
diffusers
综合 49
基于 PyTorch 的前沿扩散模型库，支持图像、视频和音频生成。
ddddocr
综合 49
开源通用验证码识别 OCR 库，带带弟弟 Python 版。
Real-Time-Voice-Cloning
综合 49
仅需 5 秒即可克隆声音，并实时生成任意语音。
manim
综合 49
由社区维护的 Python 数学与科学解释动画制作框架。
利用 AI 大模型和自动化工作流，根据主题或关键词一键生成高清短视频。
Hunyuan3D-2
综合 48
基于大规模混元扩散模型的高分辨率 3D 资产生成工具。
voice-pro
综合 47
面向创作者的 Gradio WebUI，集成主流 TTS、零样本声音克隆与人声分离等功能。
VoxCPM
综合 47
无需 Tokenizer 的多语言 TTS 语音合成模型，支持高保真声音克隆与设计。
fish-speech
综合 47
达到 SOTA 业界顶尖水平的开源 TTS（语音合成）系统。
Unlimited-OCR
综合 47
百度开源文档解析工具，开启单阶段长程文档解析时代。
涵盖文本、视觉、音频及多模态的前沿机器学习模型框架，支持推理与训练。
magic-animate
综合 45
CVPR 2024 论文 MagicAnimate 官方仓库：基于扩散模型的时序一致人物图像动画生成。
yt-dlp （命令行音视频下载工具）
综合 45
一款功能丰富的命令行音视频下载工具，方便在终端中快速下载音视频内容。
youtube-dl （命令行视频下载工具）
综合 45
用于从 YouTube 等视频网站下载视频的命令行程序。
完全本地运行的开源 AI 语音工具，可替代 ElevenLabs，支持 646 种语言的声音克隆、视频配音、听写与语音转录。
Deep-Live-Cam （单图实时换脸工具）
综合 45
仅需单张图片即可实现实时换脸与一键视频 Deepfake。
moshi
综合 45
语音-文本基座模型与全双工口语对话框架，采用前沿的流式神经音频编解码器 Mimi。
用 AI 将文档或主题生成原生 PPT，支持原生图形、转场动画、图表数据及旁白配音。