GitHub项目

Fooocus：一键出片的极简AI绘画工具，告别参数调优

leaf2026年6月5日2 分钟阅读 73暂无评论

受够了在 WebUI 里调整采样步数、CFG Scale 和一堆看不懂的滑块？Fooocus 把 Stable Diffusion 的复杂性全部封装到背后，给你一个类似 Midjourney 的极简界面：输入提示词，点击生成，就能得到高质量图片。它内置了图像质量优化、风格预设和自动提示词增强，让非技术用户也能专注于创意本身。核心看点- 开箱即用的极简体验：下载解压后双击即可运行，无需配置 Python 环境或手动下载模型。界面只保留提示词框、图像尺寸和风格选择器，所有底层参数（采样器、CFG、负面提示词等）均由算法自动优化。 - 内置风格库与图像增强：提供几十种预设风格（如“电影感”“赛博朋克”“水彩”），一键切换。生成后自动执行高分辨率修复（HD Scaling）和面部修复，输出可直接用于社交媒体或设计稿。 - 基于 SDXL 的深度优化：默认使用 SDXL 模型，并集成了自研的采样策略和提示词扩展模块，生成图像的构图、光影和细节一致性显著优于裸 SDXL。支持 LoRA 和 ControlNet 的简单拖放，保留一定扩展空间。▲ github.com（阿里云通义万相生成配图，非网页截图）上手提示- 硬件：推荐 8GB 以上显存（NVIDIA GPU），16GB 可流畅生成 1024×1024 以上分辨率。支持纯 CPU 模式但极慢。 - 依赖：无需 Python 安装，内置一键启动包（Windows/macOS/Linux 均有预编译版本）。所有模型权重自动从 Hugging Face 下载，遵守 SDXL 的 Open RAIL-M 许可证。 - 适合谁：AI 绘画新手、设计师、内容创作者，以及任何希望快速产出高质量图片但不想折腾技术细节的人。Fooocus 的 GitHub Releases 页面提供了各平台的便携版，下载即玩。想了解它如何自动优化参数？查看 Foo…

#AI绘画 #GitHub

ChatGPT-Next-Web：自部署的跨平台AI聊天面板，一键接入多模型

leaf2026年6月8日1 分钟阅读 73暂无评论

厌倦了官方ChatGPT的订阅限制或频繁的网络问题？这个开源项目让你用Vercel或Docker在几分钟内部署一个功能完整的AI聊天Web UI，支持OpenAI、Claude、Gemini、本地模型（Ollama）等多种后端，并内置会话管理、Markdown渲染、语音输入等实用功能。适合想要拥有私人AI助手、团队共享API额度或折腾自托管方案的开发者与重度用户。核心看点- 多模型一键切换：在同一个对话界面里自由切换GPT-4、Claude 3、Gemini Pro甚至本地跑起来的Llama 3，不用再开多个标签页。 - 零门槛部署：支持Vercel一键部署（免费额度足够个人使用）、Docker本地运行、以及手动构建，README提供清晰的步骤截图，即使前端新手也能在10分钟内上线。 - 实用细节拉满：内置会话文件夹管理、Prompt模板库、导出/导入对话记录（JSON/Markdown）、全局遮罩（Mask）功能可预设角色设定，还支持PWA离线访问。▲ github.com（阿里云通义万相生成配图，非网页截图）上手提示- 无需GPU：纯前端项目，后端API由你指定的模型服务商提供（需自行申请OpenAI等API Key，或搭配Ollama使用本地模型）。 - Node.js 18+ 即可本地开发，Docker部署则需Docker Engine 20+。项目采用MIT许可证，可自由修改和商用。如果想给团队搭建一个统一的AI对话入口，或者单纯想摆脱官方客户端的种种限制，直接去仓库看README里的Vercel部署按钮，点一下就能拥有自己的AI面板。传送门：ChatGPT-Next-Web

#AI应用 #GitHub

Vocalize：用 GPU 加速本地语音合成，支持多语言与情感控制

leaf2026年6月4日1 分钟阅读 72暂无评论

如果你需要在本地快速生成自然、带情感的语音，又不想依赖云服务或复杂配置，Vocalize 是一个值得关注的选项。它基于 VITS 架构优化，支持中、英、日等多语言，并提供细粒度的情感强度调节，让你能控制语速、音调甚至笑声。对于内容创作者、无障碍开发者或语音助手研究者来说，这是目前少数能同时兼顾质量与可定制性的开源方案。核心看点- 多语言与情感控制：内置预训练模型支持中文、英文、日文，可通过参数调整开心、悲伤、愤怒等情感强度，甚至插入笑声标签，让合成语音更自然。 - GPU 加速推理：利用 PyTorch 和 CUDA 实现实时或近实时合成，单次推理在消费级显卡（如 RTX 3060）上只需几百毫秒，无需 TPU 或高端硬件。 - 简洁 API 与 WebUI：提供 Python 调用接口和内置 Gradio 界面，无需写代码即可通过浏览器上传文本、选择模型、生成并下载音频。▲ github.com（阿里云通义万相生成配图，非网页截图）上手提示适合语音合成爱好者、游戏/视频配音者或无障碍工具开发者。依赖 Python 3.8+ 和 PyTorch（推荐 CUDA 版本），建议至少 4GB 显存以获得流畅体验；无需 API Key，所有模型权重在首次运行时自动下载。项目采用 Apache-2.0 许可证，社区提供预训练模型和微调教程。想快速体验本地语音合成，直接前往 Vocalize 仓库查看 README 中的一键安装脚本和示例。

Mochi 1 开源视频生成：一句提示词生成流畅电影级动态

leaf2026年6月19日1 分钟阅读 72暂无评论

如果你试过 Sora 但没资格内测，或者被闭源模型的价格劝退，Genmo 开源的 Mochi 1 可能是目前最值得你本地跑一把的视频生成模型。它用 Apache-2.0 许可发布，不需要排队，直接下载权重就能在单卡 A100 上生成 5 秒左右的连贯视频，效果直逼商业方案。核心看点端到端视频扩散：基于 Asymmetric VAE 和 Transformer 架构，直接在 RGB 像素空间生成视频，省去了单独动捕或帧插值步骤。支持 8 秒 540p 的原始分辨率，运动幅度和物体一致性比前代 CogVideoX 更自然。开源权重 + 商业友好许可证：模型权重和推理代码一并放出，MIT 许可证改写和商用限制极少，无论是做独立创作者工具原型还是集成到自家产品，法律风险都很低。▲ github.com（阿里云通义万相生成配图，非网页截图）社区灵活扩展：官方提供了 Gradio 网页界面和 CLI 两种启动方式。已有开发者尝试 LoRA 微调来控制特定风格，Issues 里也有人在讨论低显存优化（如 FP8 量化）。上手提示建议使用 Linux + Python 3.10，单张 A100（40GB）即可跑 5 秒视频；如果只有 24GB 显存（如 3090），可以降低帧数量或用官方的蒸馏版模型。权重自动从 HuggingFace 下载，约 10GB。仓库的 README 里贴了现成的 pip install -r requirements.txt 和启动命令，十分钟就能看到第一个 demo。想立刻体验文字到视频的创作快感，直接戳 genmo/mochi 跑起官方脚本，Issues 区还有不少社区调参经验等你挖。

InstantStyle：零门槛风格迁移，一张图搞定角色与画风解耦

leaf2026年6月7日1 分钟阅读 71暂无评论

受够了「换风格连人物长相一起变」的尴尬？InstantStyle 是阿里达摩院开源的一套风格迁移框架，专治风格与内容纠缠不清的痛点。开发者只需要给一张风格参考图和一段文本描述（或另一张内容图），就能在保持主体身份（人脸、物体结构）不变的前提下，精准迁移色彩、笔触、光影等风格特征。适合做 AI 绘画、设计素材生成、虚拟人形象定制的研发同学，也适合想要快速实验风格化效果的内容创作者。核心看点- 显式解耦内容与风格：通过将风格特征注入到特定注意力层（而不是全局），实现只改画风、不改人物或物体轮廓。实测中即使多次风格迁移，主角五官也能保持稳定。 - 即插即用，无需微调：基于预训练扩散模型（如 SDXL），直接加载权重即可推理，不需要为每张图重新训练 LoRA 或 DreamBooth。对显存要求友好，单张 24GB 消费级显卡可跑。 - 支持多模态风格输入：既可以用一张图像作为风格参考，也可以用一段文本描述想要的风格（例如「水墨画风格」「赛博朋克霓虹」），灵活性很高。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- AI 绘画应用开发者：想给自己的产品增加「风格保持」功能，可以直接集成 InstantStyle 的推理管线，MIT 许可证下商用友好。 - 设计师与插画师：快速将线稿或照片套上特定艺术风格，且不破坏原始构图和主体特征。需要 Python 环境 + PyTorch + 至少 8GB 显存（推荐 24GB）。 - 风格迁移研究者：代码结构清晰，论文与开源实现一致，方便对比实验或改进解耦机制。更多示例和模型权重下载方式，建议直接去仓库 README 查看「Quick Start」和「Gallery」章节，里面贴了风格对比图和推理参数推荐。别忘了给仓库点个 Star，方便后续跟进更新：InstantStyle GitHub 主页

#AI绘画 #GitHub

LobeChat：一站式多模态聊天与Agent编排平台

leaf2026年6月2日1 分钟阅读 71暂无评论

厌倦了在多个AI服务之间来回切换？LobeChat是一个开源、可自托管的智能聊天平台，整合了GPT-4、Claude、Gemini等主流大模型，并支持文生图、语音对话、插件系统与自定义Agent。无论是开发者想快速搭建私有助手，还是爱好者追求更灵活的AI交互体验，它都能大幅降低门槛。核心看点- 多模型统一接入：内置数十种模型提供商（OpenAI、Anthropic、Google、国产模型等），无需手动配置API，一个界面即可切换对话引擎。 - 插件与工具链：支持联网搜索、代码执行、图片生成等插件，Agent可自主调用工具完成复杂任务，RAG能力通过知识库插件扩展。 - 优雅的对话体验：支持Markdown渲染、代码高亮、语音输入/输出，以及多模态内容（图片、文件）的拖拽交互，界面接近商业产品。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- 希望统一管理多个AI API的开发者，或需要为团队搭建内部AI工作台的技术负责人。 - 对AI Agent和工具调用感兴趣的研究者，可基于其插件系统快速验证想法。 - 依赖：Node.js 18+，可一键Docker部署；使用自带模型需API Key，部分插件（如联网搜索）需额外配置。快去仓库的Releases和插件市场逛逛，看看如何定制你自己的AI工作流：LobeChat GitHub仓库

#Agent #GitHub

MLC LLM：大模型边缘推理新选择，手机浏览器秒跑开源LLM

leaf2026年6月15日1 分钟阅读 71暂无评论

还在为本地跑大模型必须配高端GPU发愁？MLC LLM 是专为边缘设备设计的推理引擎，目标就是让模型在手机、笔记本甚至浏览器里也能流畅运行。如果你经常需要把LLM部署到非云端环境，或者想研究量化与编译优化的实战方案，这个仓库值得你从头翻一遍 README。核心看点- 跨平台后端全覆盖：支持 Metal（macOS/iOS）、Vulkan（Android/Linux）、CUDA（NVIDIA）以及 WebGPU（浏览器），一套代码适配多种硬件。 - 编译+量化双优化：通过 TVM 编译器对模型进行自动代码生成和 int4/int8 量化，推理速度与显存占用都大幅优化，实测在旗舰手机上可达每秒数十 token。 - 即装即用与自定义双模式：提供预编译的 Python/CLI 包，直接运行主流模型（Llama、Mistral、Gemma 等）；也开放编译管道，允许你优化自己的模型权重。▲ github.com（阿里云通义万相生成配图，非网页截图）上手提示- 场景：需要低延迟本地推理的 APP 开发者、研究边缘部署的算法工程师，或想在没有 GPU 的笔记本上体验 LLM 的爱好者。 - 依赖：Python 3.10+，安装 mlc-llm 和对应后端依赖（如 Vulkan SDK）；若只需 Web 版，直接导入 WebLLM npm 包即可。 - 许可：采用 Apache-2.0 许可证，商业友好，但模型权重需单独下载并遵守各自许可。打开仓库的 MLC LLM README，里面附带了手机端 Demo 二维码、性能基准和详细的编译指南，刷一遍就能判断它能否解决你的边缘部署痛点。

DB-GPT：把大模型接进数据库，自然语言秒变 SQL

leaf2026年7月31日1 分钟阅读 68暂无评论

如果你每天要在数据库和报表工具之间来回切换，写 SQL 写到手酸，DB-GPT 值得你花一分钟点开看看。它把大模型、智能体和数据操作串成一条完整链路，适合做数据分析、BI 场景的开发者或数据工程师，省去手工调查询的重复劳动。核心看点- 自然语言直通数据库：连上 MySQL、PostgreSQL 等常见存储后，用中文描述需求就能生成查询，还能顺手出图表，让数据问答变得很直接。 - 模型适配灵活：底层支持 Qwen、Llama 等开源权重模型，也允许接外部 API，不绑定单一供应商，团队选型更自由。 - 既有界面也有 API：提供可视化面板方便交互，同时暴露服务接口，想集成到自己的系统里也不麻烦，项目以 Apache-2.0 开源，商用前记得过一遍 LICENSE。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁数据分析师、后端开发者，或者想给团队搭一个私有知识库加数据库问答服务的小组。部署上需要能跑开放权重模型的 GPU，也可以走纯 API 模式降低门槛；安装依赖偏向 Python 生态，建议先照着 README 的快速开始跑一遍。想看清完整的模型适配清单和插件玩法，直接进仓库翻文档和示例，打开 DB-GPT 项目主页慢慢看。

#Agent #GitHub

whisperX：加速Whisper转录并获取词级时间戳，解决语音对齐痛点

leaf2026年6月10日1 分钟阅读 68暂无评论

还在忍受OpenAI Whisper的原始推理速度？做字幕对齐时手动切分句子的痛苦谁懂？whisperX 直接给你词级时间戳 + 批量加速，一条命令就能把长音频拆成词级别的字幕，连说话人分离都顺手解决了。适合语音处理开发者、短视频字幕制作者、以及任何需要精准音频时间戳的研究者。核心看点- 基于Whisper的快速推理：通过 batching 和 better memory 管理，在保持精度的前提下把推理速度提升数倍，实测比原版快2-3倍。 - 词级对齐与说话人分离：不需要训练，直接调用 WhisperX 的 pipeline 即可获得每个单词的开始/结束时间，并自动识别不同说话人（需配合 pyannote 模型），省去后期手动校对。 - 简洁API与命令行：pip install 后三行Python代码就能完成转录+对齐，适合集成到自动化工作流；还支持输出 SRT、VTT 等常见字幕格式。▲ github.com（阿里云通义万相生成配图，非网页截图）适合谁- 字幕制作/视频创作者：想要快速生成带时间轴的字幕，无需再手动切分句子。 - 语音识别研究者：需要高精度词级对齐数据用于训练或评估。 - 会议记录/音频分析场景：一条命令搞定多人对话的逐字稿和说话人标签。仓库采用 BSD-2-Clause 许可证，依赖 PyTorch 和 Whisper，建议使用 GPU 获得最佳推理速度。项目维护活跃，Issue 回复及时，社区已经有不少集成案例。想要马上体验词级对齐的快感？直接去 README 看一行示例代码——你只需要打开 whisperX GitHub 主页复制粘贴就够了。