coderonion/awesomellmandaigc 是一个 LLM / VLM / VLA / AIGC 领域的精选资源列表（Awesome List），按 Framework（模型/训练/推理/量化/RAG）、Application（IDE/聊天机器人/具身智能/代码助手/知识库等）、Dataset、Learning Resources、Commun…
仓库攻略
78 篇 · 78 个项目 · 多模态
wshzd/AwesomeAIGC 是一份中文 AIGC 资料汇总型仓库，以「论文分享 / 访谈 / 模型评测 / 行业动态」为单位收录条目，附带外链（arXiv、知乎、微信公众号、B 站等）。与 f/awesomechatgptprompts、Hannibal046/AwesomeLLM 这类以英文为主的清单相比，它的定位是中文圈 AIGC 早期热度阶段的…
AI Audio Datasets（AIADS）是一个持续更新的开源知识库，汇集了语音（Speech）、音乐（Music）和音效（Sound Effect）三大类高质量音频数据集，旨在为生成式 AI、AIGC、模型训练、智能音频工具开发和音频应用提供训练数据资源。仓库本身是一个精心分类的导航索引，每个数据集条目都附带了官方来源链接、数据规模说明和适用任务标注…
Tailor（中文名：泰勒）是一款本地运行的 AI 视频处理桌面工具，涵盖视频智能裁剪、视频生成和视频优化三大类共 10 种功能。核心特点是点点鼠标即可完成专业级剪辑，无需复杂的命令行操作，特别适合中文用户和短视频创作者。 ⚠️ 平台限制：目前仅支持 Windows。macOS 和 Linux 用户需通过虚拟机或双系统运行。最新版本为 20240807，功能…
imagetolatex 是一个将数学公式图像转换为 LaTeX 代码的深度学习项目，使用 ResNet18 作为图像编码器、Transformer 作为解码器，在 im2latex100k 数据集上训练，测试集字符错误率（CER）约为 0.17。项目为独立研究者作品，没有商业依赖，适合学术写作者、科研人员和教育场景快速将印刷或手写的数学公式转为可编辑 La…
EasyAnimate 是阿里巴巴 PAI 团队开源的端到端视频生成 Pipeline，基于 Diffusion Transformer（DiT）架构，支持文生视频、图生视频、视频生视频及多种控制条件（姿态/Canny/深度/相机轨迹）。最新版本 V5.1 提供 7B 和 12B 两种规模，支持中英文双语提示词，是目前开源生态中支持控制类型最丰富的视频生成方…
aicover 是一个用 Next.js 构建的全栈 Web 应用，通过 AI 生成微信红包封面图片。用户在应用中输入文字描述，系统自动生成符合微信红包封面规范的精美图片，可直接用于微信红包发放。 微信红包封面是微信在节假日（尤其春节期间）推出的定制化功能，个人和企业均可申请制作。由于微信对封面图片有尺寸、格式、内容合规等严格要求，从零设计门槛较高。aico…
VideoXFun 是阿里巴巴 PAI 团队开源的端到端 AI 视频生成流水线，基于 Diffusion Transformer（DiT）架构，支持文生视频（T2V）、图生视频（I2V）、视频生视频（V2V）、控制视频生成（ControlNet 类）以及 LoRA 微调训练。项目同时支持 CogVideoXFun 系列和 Wan2.1Fun 系列模型，覆盖从…
LearnPrompt 是一个永久免费开源的中文 AI 学习教程仓库，由 B站 up 主"卡尔的AI沃茨"（GitHub @LearnPrompt）维护。它起步于 2023 年的 AIGC 工具教程（ChatGPT、Midjourney、Stable Diffusion），如今已演化为一套面向真实工作场景的 AI Native 教程体系，涵盖 Claude …
SSL4MIS（Semi Supervised Learning for Medical Image Segmentation）是一个医学影像分割领域的半监督学习论文与代码汇总仓库，由 HiLab 团队维护。它不是一个可以直接跑起来的框架或工具，而是一个持续更新的文献 + 代码索引库——追踪这个领域从 2019 年至今几乎所有重要的论文及其官方实现。 每一项…
EasyPhoto 是一个 Stable Diffusion WebUI 插件，用于生成 AI 人像写真——上传 5~20 张个人照片训练专属的"数字分身"（LoRA 模型），之后即可用这个分身在任意场景下生成写真图片。 核心能力： 由阿里巴巴 PAI（Platform for AI）团队开发维护，开源于 2023 年，配套有论文（arXiv:2310.04…
IndexTTS 是阿里巴巴 Index 团队开源的零样本（ZeroShot）语音克隆系统，用一段参考音频（10~30秒）即可复刻任意人的音色，生成对应文本的语音。当前稳定版为 IndexTTS2.5（2026年8月10日发布），支持中文、英语、日语、西班牙语、阿拉伯语五种语言，并在多语言跨音色任务上达到了开源 SOTA 水平。 核心能力： IndexTTS…
AudioGPT是由 AIGCAudio 团队开源的多模态音频理解和生成框架，发布于 2023 年 4 月（arXiv:2304.12995）。其核心设计思路是：将 LLM（大语言模型）作为音频任务的统一调度层，底层对接各类音频/语音专有的预训练基础模型（Foundation Models），用户通过自然语言 Prompt 控制音频生成与理解任务。 GitH…
MMagic（Multimodal Advanced, Generative, and Intelligent Creation）是 OpenMMLab 体系下的 AIGC 工具箱，是 MMEditing 与 MMGeneration 合并后的统一继承者。它提供从底层 PyTorch 训练到高层 MMagicInferencer 的全套接口，覆盖图像 / 视…
pytorch/examples 是 PyTorch 官方维护的示例仓库，汇集了 PyTorch 官方团队编写的各领域高质量参考实现。与 PyTorch Tutorials 不同，这些示例追求代码简洁、独立可运行、少依赖，每个子目录对应一个完整任务，读者可以直接把代码复制到自己的项目中使用或改写。覆盖领域包括：MNIST 手写数字识别（含多种变体）、VAE、…
labelImg 是一个开源的图形化图像标注工具，由 Tzutalin 开发维护，现归属 HumanSignal（Label Studio 社区）管理。它用 Python + Qt 编写，提供直观的 GUI，让用户通过鼠标框选来标注目标物体，生成标准格式的标注文件。标注结果支持 PASCAL VOC XML、YOLO TXT 和 CreateML JSON …
EasyOCR 是一个用 PyTorch 开发的通用 OCR（光学字符识别）Python 库，开箱即用，支持 80+ 语言，涵盖 Latin、CJK（简繁体中文、日文、韩文）、Arabic、Devanagari、Cyrillic 等所有主流书写系统，同时处理自然场景文本和文档密集文本。 v1.7.2（2024 年 9 月）是当前最新正式版。自 2020 年起…
重要声明：Mozilla DeepSpeech 项目已在 2023 年左右正式宣布 DISCONTINUED（终止维护）。最新版本为 v0.9.3（发布于 ~2021 年），无后续更新。预训练模型文件仍在 GitHub Releases 可下载，但不再有安全更新或新功能。 如果你需要离线语音识别，推荐评估替代方案：Whisper（OpenAI）、Whispe…
🐸TTS（coquiai/TTS）是 Mozilla 语音团队孵化的开源文本转语音深度学习工具包，支持从零训练模型、Finetuning 和推理，生产和研究均可用。最新版本 ⓍTTS v2 支持 16 种语言，还支持语音克隆（voice cloning）和语音转换（voice conversion）。它底层基于 TensorFlow / PyTorch，内置…
OCRmyPDF 是一个为 PDF 添加 OCR 文字层的命令行工具，它调用 Tesseract OCR 引擎，将扫描件、影印件等图片型 PDF 转化为可搜索、可复制文字的 PDF/A（适合长期归档的可移植 PDF 子集）。 它的核心价值在于「精准」——OCR 文字会精确地嵌入到原始图片下方，保证复制粘贴时位置准确，不出现文字错位；输出文件通常比输入更小（经…
textgen（全称 oobabooga/textgenerationwebui）是一个开源本地大模型桌面应用，支持文本生成、视觉理解（多模态）、工具调用、网页搜索、LoRA 微调，以及 OpenAI / Anthropic 兼容 API。口号是「100% 离线、零遥测」——不需要任何外部服务，所有模型和数据都在你自己的机器上。 它是原本大名鼎鼎的「text…
dshvisionrouter 是 DeepSeek Harness（DSH）的视觉增强插件，专为"只能处理文本"的 Agent 提供图像理解能力。它的核心思路是：把看图变成一次普通的工具调用，让 Agent 可以用 vision_ground、vision_crop、vision_describe 等 11 个像素级工具按需操作图像，而不是把图片压缩成一段…
Stable Diffusion 是 CompVis 团队（海德堡大学）开发的潜在扩散模型（Latent Diffusion Model），通过文本提示生成照片级图像。该项目是 Stability AI 和 Runway 合作的产物，在 2022 年 CVPR 以 Oral 论文发表，相关论文 HighResolution Image Synthesis w…
baibaiAIGC（发音近似"拜拜 AIGC"）是一个中文/英文论文与学术/技术文档的降 AIGC 改写工具集，目标是通过结构化的多轮 prompt 降低文本中的模板化、机械化 AI 写作痕迹，同时保持原意、术语和结构不变。它不是检测规避器，而是通过真正的改写让文字读起来更像人写的。 核心作者是 poleHansen，项目托管于 GitHub，Star 9…
dshpluginwritingguard 是 DeepSeek Harness（DSH）的论文写作守卫插件，在论文撰写和修改过程中自动检测常见 AI 写作风格、修改残留、防御性表达与机械化句式，同时提供 Scholarship Lock 功能在 AI 润色时保护科研事实（数字、p值、图表编号等核心实体不被悄悄改动）。定位是学术写作 linter——不是"写…
NVIDIA Video Search and Summarization（VSS）Blueprint 是一套GPU 加速的视频语义理解和分析参考架构。它将视觉语言模型（VLM，如 NVIDIA Cosmos）、大语言模型（LLM，如 Nemotron）、RAG 和 NVIDIA NIM 微服务整合在一起，实现用自然语言搜索视频内容、实时异常检测、视频问答和…
Pix2Text（简称 P2T）是一个开源 Python 工具，核心功能是把图片（含数学公式、表格、版面布局）识别并转换为 Markdown 格式，定位是 Mathpix 的免费开源替代品。 2025 年 7 月升级到 V1.1.4 后，数学公式检测（MFD）和识别（MFR）模型均已升级到 1.5 版本，版面分析引入 DocLayoutYOLO 模型，整体识…
Power Design 是一个 Claude Code Skill，通过品牌 DNA（Brand DNA）搭配编码化设计原则（20 条幻灯片规则 + 20 条网页规则）生成两类输出：演讲 deck 和响应式网站。它的核心主张是"每个输出既符合品牌调性，又满足客观设计标准"，不是生成"带紫色渐变的六条项目符号封面"。 两套规则书分别来自：Tufte、Duar…
sorafm 是一个基于 Next.js 的开源 Sora AI 视频生成 Web 应用，提供可视化界面来管理和展示由 OpenAI Sora 生成的 AI 视频内容。项目支持 Docker 部署，可以在本地或私有服务器上快速搭建一个 Sora 视频展示站点。 技术栈：Next.js（前端框架）+ PostgreSQL（数据库）+ Tailwind CSS（…
skillpromptgenerator 是一个双平台 AI 提示词生成系统： 三种生成模式： ⚠️ README 中提到的 .claude/CLAUDE.md 入口文档实际 fetch 返回 404（仓库根 README 列出的 /blob/main/.claude/CLAUDE.md 路径不可访问，⚠️ 未核验），用户需要直接通过 Skill 名称调用。…