IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
找到 2 个项目
清除筛选以下内容已由 AI 根据历史资料整理，供本地测试，未经人工复核。
音频驱动的无限长说话视频生成框架
InfiniteTalk 是美团 MeiGen-AI 团队于 2025 年 8 月开源的音频驱动无限长说话视频生成框架，全称 "Audio-driven Video Generation for Sparse-Frame Video Dubbing"。它提出了一种新型视频配音范式——"稀疏帧视频配音"，通过保留原始视频的关键参考帧，在维持身份信息、标志性手势和摄像机轨迹的同时，对全身运动进行音频同步的编辑。给定一段源视频和目标音频，可生成与音频精确口型同步、头部/身体/表情联动的全新视频；给定一张人物图片和音频，可从零生成无限长的说话人视频。支持 480P 和 720P 分辨率，默认最大 1000 帧/40 秒，可流式扩展。底层基于扩散模型构建，使用 Wan2.1-I2V-14B 作为视频生成基座，音频编码器采用 Wav2Vec2。项目以 Apache-2.0 许可证开源。
一站式 AI 语音工作台，从视频下载到多语言配音全流程自动化
Voice-Pro 是一款面向创作者和开发者的 AI 音频全流程处理工具，由韩国创业公司 ABUS 开发，基于 Gradio WebUI 构建。它将视频下载、音频分离、语音识别、多语言翻译、文本转语音（TTS）和零样本声音克隆集成到一个统一的 Web 界面中，定位为 ElevenLabs 的开源替代方案。核心价值在于将传统需要 5-8 个工具配合的流程（下载、分离、识别、翻译、配音、字幕）串联成一条自动化管道，用户只需输入视频链接，即可获得多语言配音视频和字幕。工具支持四种 Whisper 变体用于语音识别，三种零样本声音克隆引擎（F5-TTS、E2-TTS、CosyVoice），以及 Edge-TTS、kokoro 等多语言 TTS。完全开源免费，本地运行，数据不出机器。需要 NVIDIA GPU（最低 4GB 显存，推荐 8GB+），首次部署需下载模型，耗时较长。