开源AI音视频与多媒体：yt-dlp/yt-dlp/Stable Diffusion/Transformers/TTS

源码资源网

开源AI音视频与多媒体处理

本帖精选推荐AI音视频处理与多媒体工具，涵盖视频下载、音频处理、AI图像生成等，是多媒体开发的核心工具集。

• AUTOMATIC1111/stable-diffusion-webui — 162K★ | Python | Stable Diffusion Web UI，图片生成界面，LoRA/ControlNet/高分辨率修复，本地部署最流行方案
• yt-dlp/yt-dlp — 159K★ | Python | 命令行视频下载器，YouTube/B站/抖音等1000+站点，sponsorblock/字幕下载/格式转换
• ytdl-org/youtube-dl — 140K★ | youtube-dl继任者，持续更新所有站点支持，代理支持/认证访问/播放列表下载
• huggingface/transformers — 160K★ | Python | 音视频理解框架，Whisper语音识别/Dinov2视觉/Wav2Vec2语音，HuggingFace生态核心
• langflow-ai/langflow — 147K★ | Python | 多模态Agent工作流，图像理解/音视频处理/文档分析，可视化编排多模态管道
• TheAlgorithms/Python — 220K★ | Python | 多媒体算法实现，图像处理/音频处理/视频编解码/信号处理，算法学习参考
• 521xueweihan/HelloGitHub — 153K★ | Python | 多媒体开源项目精选月刊，月度热门项目推荐/中文解读/Star趋势，适合入门学习
• open-webui/open-webui — 134K★ | Python | 多模态AI界面，支持语音输入/图像上传/视频分析，统一LLM交互入口
  

核心功能

• stable-diffusion-webui: txt2img/img2img，ControlNet姿态控制，LoRA微调，Adetailer面部修复
• yt-dlp: yt-dlp URL，--format选择格式，--sponsorblock去除广告，--write-subs字幕
• transformers: pipeline('speech-to-text')，pipeline('image-classification')，pipeline('video-classification')
• langflow: 多模态RAG，图像+文本联合检索，音视频转文本处理管道

适用场景

• AI图像生成与编辑
• 视频下载与转码
• 语音识别与合成
• 多模态RAG知识库
• 音视频算法研究

游客，本帖隐藏的内容需要积分高于 20 才可浏览，您当前积分为 0