KrillinAI 是一个集视频翻译、配音、格式转换于一体的AI工具，基于Whisper语音识别和LLM智能分段技术，支持56种语言互译。 提供从视频下载、字幕生成、智能翻译到多平台适配的端到端工作流，支持横竖屏自动转换，适合YouTube/TikTok/B站等内容平台。

Kimi-VL是MoonshotAI开发的开源专家混合(MoE)架构视觉语言模型，仅激活2.8B参数即可实现高级多模态推理能力。该模型具有128K超长上下文处理窗口，配备原生分辨率视觉编码器MoonViT，在长视频理解(64.5@LongVideoBench)、文档解析(35.1@MMLongBench-Doc)、高精度OCR(83.2@InfoVQA)等任务表现优异。提供标准版(Kimi-VL-A3B-Instruct)和强化思维链推理版(Kimi-VL-A3B-Thinking)两个变体，后者在数学推理(61.7@MMMU)和复杂视觉问题求解(71.3@MathVista)方面达到70B参数模型的水平。

万兴喵影2025是由Wondershare开发的国产专业视频编辑工具，支持Windows和macOS系统。它集成了AI智能技术，提供从素材整合、剪辑合成到特效添加的全流程解决方案，内置海量模板资源和专业级编辑功能，适合个人创作者和影视从业者快速产出高质量视频内容。

这是一个专注于AI视频创作与变现的在线课程，包含120+节视频教程，覆盖从创意生成到动画角色制作的全流程。 课程整合了PIKA、RUNWAY等主流AI工具，并详细教授通过短视频、小说创作、微信红包封面等途径实现收益的方法。 支持移动端和PC端学习，提供QQ/微信客服支持，适合新手系统学习AI视频商业化。

可灵AI是由快手公司开发的AI内容生成工具，专注于图片和视频创作。它集成文生图、AI形象定制、视频生成等功能，支持1080p高清视频输出和虚拟形象一致性控制，适用于艺术创作、商业营销等多场景。采用3D时空联合注意力机制模拟物理特性，界面简洁且当前限时免费。

腾讯智影是一款基于云端的在线AI视频编辑平台，无需下载即可通过浏览器访问。它整合了素材管理、多轨道剪辑、AI生成和发布全流程，核心功能包括数字人播报、智能字幕、文章转视频等，提供海量模板和特效资源，适用于从新手到专业团队的多样化视频创作需求。

DubStudio是由Camb.AI开发的AI语言翻译与配音平台，专注于将影视、直播等内容实时本地化为140种语言。其核心技术通过MARS声音克隆模型和BOLI上下文翻译模型，在保留原始情感表达的同时，大幅降低传统配音成本。已应用于IMAX电影、体育赛事直播（如澳网公开赛）及社交媒体内容创作，支持从视频配音到实时流媒体翻译的全场景需求。

DubStudio是由Camb.AI开发的AI语言翻译与配音平台，专注于将影视、直播等内容实时本地化为140种语言。其核心技术通过MARS声音克隆模型和BOLI上下文翻译模型，在保留原始情感表达的同时，大幅降低传统配音成本。已应用于IMAX电影、体育赛事直播（如澳网公开赛）及社交媒体内容创作，支持从视频配音到实时流媒体翻译的全场景需求。

LYDIA是由Leyard Optoelectronic开发的动作大模型，专注于空间计算中的动作数据生成和理解。它能生成三维动作数据，兼容主流数字内容创作平台，实现精确的人物动作生成。应用领域广泛，包括影视、游戏、动画、电商、教育、体育和艺术等。虽然未明确提及直接用于物理机器人，但其动作数据生成能力可能间接支持机器人动作训练。

MiniMaxVL-01是MiniMax开发的多模态大型语言模型，基于Transformer架构，能够处理和理解文本和图像输入。它在多模态基准测试中表现优异，性能与GPT-4o和Claude-3.5-Sonnet相当，具有较长的上下文窗口（20-32倍于标准模型）。该模型通过API平台提供服务，广泛应用于招聘、电商、教育等领域，支持AI音乐生成、智能文档生成、AI语音合成、实时语音通话和AI视频生成等先进技术。

Respeecher是一个基于深度学习的生成式AI语音合成平台，专注于影视级语音克隆与方言优化。该项目成立于2018年，已获超300万美元投资，核心技术包括文本转语音(TTS)和语音转语音(VTS)转换，能精准捕捉情感细微差别并支持多语言/方言。其特色在于严格的伦理AI实践，要求声音使用必须获得授权，曾为《曼达洛人》《赛博朋克2077》等知名影视游戏项目提供声音解决方案，并获得Webby奖、戛纳评审团奖等多项行业认可。团队在乌克兰战争期间仍持续运营，2024年还支持了美国NO FAKES法案以保护声音版权。

快手可灵是由中国短视频巨头快手公司自主研发的生成式AI平台，专注于视频和图像的智能创作。该平台基于自研的Spiritable和Graphable大模型，采用类似OpenAI Sora的DiT（Diffusion Transformer）架构，支持文本/图像转视频、视频编辑续作等高阶功能。截至2024年数据显示，其全球生成式AI应用排名第20位，已生成超3700万条视频，在视频质量、亚洲人脸生成等方面表现优于Sora。平台提供网页端、独立App及小程序多端入口，并设有会员订阅体系（10美元/月起）和创意社区生态。

Amazon Bedrock 是一个完全托管的服务，通过单一API提供来自领先AI公司和亚马逊自身的多种高性能基础模型（FMs）。它支持用户构建和扩展生成式AI应用，确保安全性、隐私性和负责任的AI实践。用户可以试验不同的模型，使用如微调（fine-tuning）和检索增强生成（RAG）等技术自定义模型，并创建与企业系统交互的代理。平台整合了超过100个基础模型，包括亚马逊自研的Nova系列模型和第三方模型，如DeepSeek-R1、Luma Ray2、Meta的SAM 2.1、Claude3.7等。

HaploVLM是腾讯开发的基于单一Transformer架构的多模态AI模型，支持文本、图像和视频的跨模态理解与自回归响应生成。通过优化训练配方降低资源消耗，适配Ascend NPU/GPU硬件，具备细粒度感知和逻辑推理能力，适用于智能客服、内容分析等场景。

Cosmos-Transfer1是NVIDIA Cosmos世界基础模型系列中的一员，专注于通过多模态输入生成高度可控的虚拟世界，主要用于机器人和自动驾驶车辆的Sim2Real（从模拟到现实）训练。该模型支持多种输入模式如分割图、深度图、LiDAR扫描等，并具备自适应空间控制和4K视频上采样功能，参数规模为7B，适配80GB H100硬件。

Cosmos-Predict1是由Nvidia开发的物理AI世界基础模型，能够从文本或视频提示生成世界状态，并通过预测帧合成连续运动。该项目特别适用于自动驾驶和机器人训练领域，提供高效的图像和视频分词器，支持Text2World和Video2World生成。模型参数范围从40亿到150亿，可根据推理需求选择，生成物理感知视频。

YouTube Transcripts Machine (YTM) 是一个专注于从 YouTube 视频中提取字幕和时间戳的 web 应用程序，旨在提升用户体验。通过自动化技术解决了提取字幕的效率问题，特别适合需要快速获取视频内容的用户。项目基于 Stagehand 和 BrowserBase 进行浏览器自动化，呈现一个干净、用户友好的界面，带有交互式时间戳，方便用户快速定位视频内容。此外，项目支持 OpenAI 的 GPT 模型，并可通过 stagehand.config.ts 配置 Anthropic Claude，增加了 AI 处理能力。

电影镜头分类器是一个利用微软Florence-2模型进行微调的计算机视觉项目，专门针对ShotDEAD-v0数据集优化，用于高效分类电影镜头类型。 该项目提供完整的训练和推理代码，支持镜头尺度（如特写、中景）和镜头运动（如推拉、摇移）等分类任务，适用于电影分析和视频内容处理领域。 由于采用Florence-2的序列到序列架构，模型在零样本和微调场景下均表现优异，但项目当前未公开URL和数据集详细信息。

UVA是一个专为机器人设计的模型，通过两阶段训练（视频生成+动作预测）实现视频理解与动作预测的统一。 它采用联合潜在空间优化、解耦解码等技术，支持多种机器人任务数据集（如PushT、Libero10），在多项任务中超越现有先进模型。 项目提供Colab笔记本快速体验，适用于模拟和真实机器人场景。

LocalVocal是一款专为OBS设计的插件，提供本地化语音识别和实时字幕生成功能。它基于AI技术实现100种语言的实时转写，所有数据处理均在本地完成，无需云端传输，保障用户隐私安全。支持多种硬件加速方案（如CPU/GPU），可输出屏幕字幕或保存为文本文件，适用于直播、视频录制等场景。

SmartSub（中文名：妙幕）是一个跨平台客户端工具，专注于为视频或音频文件批量生成字幕并进行多语言翻译。 支持Windows和macOS系统，特别针对Apple芯片优化了Core ML加速性能。项目集成了Whisper.cpp模型和多种翻译服务， 提供从字幕生成到翻译的一站式解决方案。用户可通过GUI界面或开发者模式灵活使用，适用于内容创作者、本地化团队等场景。

FlashVideo是一个专注于高效生成和增强高分辨率视频的AI工具，支持从文本描述直接生成视频或对低分辨率视频进行高清升级。其核心技术分为两阶段：首先生成270p低清视频（约30秒），再通过4步增强至1080p高清（约72秒）。项目提供完整模型权重和开源代码，支持长文本提示以实现更精细的视频生成效果。

VisionAgent是由LandingAI开发的可扩展视觉AI技术，旨在通过自动化代码生成、模型选择和部署流程，帮助开发者在几分钟内构建视觉功能应用。它支持图像/视频处理任务（如物体检测、图像分类），提供从快速原型开发到生产部署的全流程解决方案，并集成多款开源模型和工具。

Ola是一个开源的全能多模态语言模型，旨在打破多模态理解的边界，支持文本、图像、视频和音频的全面理解。它采用渐进式模态对齐策略（PMA），通过三个阶段（文本-图像、语音、视频）逐步扩展模型能力，确保在不同模态间的性能平衡。Ola-7B版本在OpenCompass多模态排行榜上平均得分72.6，排名第一，是参数少于15B的模型中表现最佳的。此外，Ola支持实时流式解码功能，增强文本和语音交互的流畅性，适合需要高级交互体验的场景。

VLM Run Hub 是一个为视觉语言模型（VLMs）设计的开源工具，专注于从图像、视频、文档等非结构化视觉数据中提取行业级结构化数据。它提供超过20种预定义的Pydantic数据模型，覆盖金融、医疗、零售等27个领域，支持自动数据验证和主流VLM平台无缝集成，显著减少人工干预并提升视觉ETL（提取-转换-加载）流程效率。

VisoMaster是一款基于AI技术的视频和图片人脸替换与编辑工具，提供自然逼真的换脸效果。它支持多种输入输出格式，通过GPU加速提升处理效率，适合日常用户和专业创作者。项目开源，由社区驱动开发，强调伦理使用和隐私保护。

Imagine360是一个研究项目，旨在从标准视角视频生成高质量的沉浸式360度视频。它采用首创的双分支框架，结合运动模块和空间LoRA层等技术，能够处理多样化的视角输入，并生成图形质量和运动连贯性优于现有方法的360度视频。项目还提供了YouTube360数据集和VR模式指南，增强了沉浸式体验。

Track-On是一个先进的在线点跟踪模型，基于Transformer技术，专为实时视频点跟踪设计。它支持逐帧处理，确保内存使用效率，特别适合需要实时处理的流媒体应用场景。该模型通过双重内存模块（空间内存和上下文内存）捕获时间信息，并利用补丁分类与优化技术提高跟踪精度。在多个数据集上表现优异，运行速度超过15 FPS，GPU内存使用少于1 GB。

Chaplin 是一个基于视觉语音识别（VSR）技术的实时无声语音识别工具，能够通过摄像头捕捉唇部动作并将其转换为文本。 该项目完全本地运行，无需互联网连接，使用 Auto-AVSR 项目的 LRS3 数据集训练模型，字错误率（WER）为 19.1%（准确率约 80.9%）。 当前主要支持英语识别，适用于隐私敏感或安静环境下的无声沟通场景。

kě huà 1.5 mò xíng 是快手科技旗下 kě lín AI 平台的核心模型，集成图像生成（Ketu 1.5）和视频生成（Keling 1.5）能力，专注于生成高质量亚洲人像静态图片及动态视频。通过自研的 DiT 结构提升计算效率，支持画质增强、语义理解优化，尤其擅长温馨场景如母女互动的创作。平台全球用户超360万，累计生成1亿多张图片和3700万视频。