IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
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。
多语种语音生成模型，支持3秒声音克隆与流式合成
CosyVoice 是阿里巴巴达摩院 FunAudioLLM 团队开发的多语种大语音生成模型，提供推理、训练和部署的全栈能力。其核心能力包括仅需 3 秒参考音频即可实现零样本声音克隆，覆盖 9 种常见语言和 18 种以上中文方言，并支持跨语种克隆。模型采用 LLM 生成语义 Token 与 Flow Matching 渲染声波的双阶段架构，CosyVoice 2.0 起支持双向流式合成，延迟低至 150ms。CosyVoice 3.0 引入多任务 Tokenizer 和可微分奖励模型后训练，训练数据扩展至 100 万小时。项目采用 Apache-2.0 许可证，支持本地部署，提供 Docker、FastAPI、gRPC、vLLM、TensorRT-LLM 等多种部署方式。
让 AI Agent 通过自然语言对话自动完成电影解说视频全流程生产的技能描述文件
Narrator AI CLI Skill 是一个 AI Agent 技能描述文件，教会 AI Agent（如 OpenClaw、Claude Code、Cursor、Windsurf 等）如何调用 narrator-ai-cli 命令行工具，完成电影/短剧解说视频的全自动化生产。它解决的核心问题是让不懂视频剪辑、命令行和 API 调用的普通用户，通过自然语言对话就能完成从搜片、选模板、选 BGM、选配音、生成文案到合成视频的完整流水线。项目采用 SKILL.md 主文件加 references/ 子目录的结构化行为规范，将 CLI 的调用顺序、参数依赖、错误处理和决策逻辑编码为机器可读的说明书，并定义了 Fast Path（原创文案）和 Standard Path（二创文案）两条工作流路径。内置约 100 部电影素材、146 首 BGM、63 个配音音色（11 种语言）和 90+ 解说模板，支持多语种出海场景。项目采用积分计费模式，MIT 开源协议，版本 v1.0.5，已在 9 个 AI Agent 平台验证。