AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：视频AI
共 117 篇文章 · 清除标签
Palmier Pro – 开源 AI 视频编辑器，在剪辑中生成视频、图像
Palmier Pro 是一款为 AI 时代打造的 macOS 原生视频编辑器，采用 Swift 语言从零构建，开源且基础功能免费。其核心创新在于将生成式 AI 直接嵌入时间线，支持 Seedance、Kling 等模型在剪辑流程中生成视频、图像和音频。通过 MCP 协议与 Claude、Cursor、Codex 等 AI Agent 深度协作，实现人机共剪。用户可混合自有素材与 AI 内容，导出...
IndexTTS-2.5：Bilibili 开源的工业级零样本语音克隆模型深度评测
IndexTTS-2.5 是由 Bilibili Index Speech 团队开源的工业级零样本语音克隆模型，参数量仅 0.8B。该模型支持中文、英语、日语、西班牙语和阿拉伯语五种语言的跨语种迁移，能够在保留源说话人音色的前提下，用不同语言进行语音合成。通过重构推理架构，模型实现了 2.28 倍的推理速度提升，并融入了精细化的情感控制、语速调节与发音干预机制，为内容创作、本地化配音等场景提供了高...
HOMIE – 香港科技大学开源的数字人视频生成框架
HOMIE是由香港科技大学计算机科学与工程系开源的数字人视频生成框架，基于阿里Wan2.1-T2V-14B骨干网络并集成Qwen3-VL多模态大模型。该框架能够在一个统一管线中同时处理数字人、商品、Logo、文字四类视觉元素，解决人‑物交互、品牌贴牌、OCR文字保真和多视角一致性四大技术难题。模型训练仅需约5.5K步/1万A100小时，OCR准确率比开源最强模型提升38.7%，支持480P单卡到7...
Shotcut – 开源的视频编辑软件，支持多轨剪辑
Shotcut 是基于 FFmpeg 的开源视频编辑软件，完全免费且无水印、无时长限制。软件支持数百种音视频格式免导入直接编辑，提供多轨道时间线、关键帧动画、丰富转场特效与音频降噪均衡器。Shotcut 可实时处理 4K 素材，自定义导出分辨率适配各平台，提供便携版免安装，是自媒体与个人剪辑的专业级零成本方案。
SmartSub – 开源的一站式音视频字幕处理桌面工具
SmartSub（妙幕）是由开发者Buxuku打造的开源一站式音视频字幕处理桌面工具。该工具整合了语音转写、字幕翻译、AI校对、TTS配音、字幕烧录及在线视频下载等全流程功能，基于Whisper、FunASR、Qwen3-ASR等本地模型实现离线语音识别，支持20余种翻译服务与多角色AI配音，并兼容NVIDIA CUDA、Apple Core ML等硬件加速。SmartSub旨在为用户提供从视频下...
Wan-Animate-2 – 万相团队开源的新一代角色动画模型
Wan-Animate-2是万相团队开源的新一代角色动画模型，作为Wan-Animate的重大架构升级，采用端到端的双分支Diffusion Transformer（DiT）架构，直接从参考视频中捕捉运动先验，摒弃了显式姿态骨架和辅助姿态提取网络。该模型支持文本驱动的视角控制，提供可达24fps的实时流式变体，在动作保真与身份一致性方面实现了显著提升。
Wan3.0 – 阿里万相最新推出的视频生成大模型
Wan3.0是阿里云万相团队最新推出的视频生成大模型，在生成时长、多模态输入、一致性保持和真实感等方面实现全面升级。该模型单次可生成30秒视频，并首次支持doc、xls、ppt、pdf、md等文档格式输入，将静态办公文档直接转化为动态视频内容。在人物刻画、场景还原和跨模态融合方面表现突出，可广泛应用于影视创作、广告营销、设计创意与文旅传播等场景。
InstructAV2AV – 智源联合北大开源的音视频联合编辑模型
InstructAV2AV是由北京智源人工智能研究院与北京大学联合开发的开源音视频联合编辑模型。用户只需一句自然语言指令，即可在端到端生成过程中同时编辑视频画面与对应声音，无需手工掩码或分步处理。该模型支持台词修改、人物替换、对象插入与删除等操作，能够在修改目标内容的同时精准保留背景与环境声，并维持编辑后声画的时间同步，为视频后期制作和创意内容生产提供了一种高效的新范式。
JoyAI-Video-Edit – 京东开源的实时流式视频编辑模型
JoyAI-Video-Edit是京东开源自研的实时流式视频编辑模型，基于16B参数的自回归扩散架构，在720P分辨率下实现30FPS的端到端推理速度，支持任意时长的稳定流式编辑。用户可通过自然语言指令在视频播放过程中实时修改人物、场景、风格及物体，无需等待完整视频生成。该模型在OpenVE-Bench评测中超越所有流式编辑方法，各项指标全面领先，同时可为具身智能提供大规模数据合成路径。
MAGI-2-preview – Sand.ai 开源的多模态视频生成模型
MAGI-2-preview是由Sand.ai开发并开源的多模态视频生成模型，采用混合专家（MoE）架构，总参数量达114B，推理时仅激活6B参数。该模型基于单流Transformer架构，从输入层起即对文本、图像、视频和音频进行统一联合建模，实现原生多模态生成。在AA视频生成榜单中排名第六，代码与预训练权重已通过Apache 2.0协议开源，为视频生成领域的高效扩展探索了新路径。
