#Python (2196 repos)

Murmurは、話すだけで文字入力ができる無料のオープンソースAI音声入力ツールです。Alibaba FunASR音声認識エンジン…

doubao-speechは、Volcengine Doubaoのseed-tts-2.0とbigmodel音声APIに対応したPythonクライアントおよびCLIツール…

このツールは、Claude Codeの作業内容を画面を見ずに音声で把握できるプラグインです。Claude Codeの各ターンの要約…

このプロジェクトは、Web検索と高度な推論モデル（OpenAI o3、DeepSeek-R1、ローカルOllamaモデルなど）を組み合わせ…

The Muserは、SunoやElevenLabs Musicのオープンソース代替として、自然言語による音楽作曲を可能にするツールです。…

FlowSRは、ICCV 2025で発表された、Consistency Rectified Flowを活用した高速画像超解像ツールです。低解像度画像か…

opencode-visionは、マルチモーダルに対応していないOpenCodeモデルに画像認識機能を追加するツールです。ユーザーが…

wan2.2-i2v-fastは、14BパラメータのWan-AI/Wan2.2-I2V-A14B-Diffusersモデルを活用した、実験的かつ高度に最適化さ…

このツールは、リアルタイム音声対話、多段階面接、ライブ採点、詳細レポート生成機能を備えたAI駆動型模擬面接プラ…

Ghost Narratorは、ブログや静的サイト向けに自己ホスト型のAI音声ナレーションを提供するツールです。ElevenLabsの…

このツールは、ICML 2026で発表された論文「Unsupervised Diffusion Solver for Combinatorial Optimization via Com…

HiGSは、SIGGRAPH Asia 2025で発表された「Inverse Radiative Transport for Infrared Scenes with Gaussian Primiti…

SPADEは、オフラインブラックボックス最適化において、サポートされていない領域での予測の過信を防ぐためのツールで…

AutoReelは、AIを活用してソーシャルメディア向けの魅力的な短尺動画コンテンツを自動生成する、先進的なコンテナ化…

M-LongDocは、EMNLP 2025で採択されたマルチモーダル超長文ドキュメント理解のための挑戦的なベンチマークと、検索対…

CUIGは、テキストから画像を生成する拡散モデルにおける概念忘却の研究コードベースです。本リポジトリは、独立、シ…

MBQは、ComfyUIの生成画像を効率的に管理・分析するためのツールセットです。主な機能として、ComfyUIのPNG画像に埋…

このプロジェクトは、テキストから画像（T2I）およびテキストから動画（T2V）を生成する、プロダクションレベルかつ…

「ComfyUI-mflux-AnyModel」は、Apple Silicon（MLX/Metal）環境でComfyUIを使用して、あらゆるmflux/MLXモデルを実…

OpenVoiceは、短い参照音声から瞬時に音声をクローニングできるオーディオ基盤モデルです。ターゲットスピーカーの声…

Nimiは、AI-nativeなオープンワールドプラットフォームであり、ローカルファーストでマルチプロバイダーのパーソナル…

Dermagemmaは、皮膚の色が濃い患者（スキントーンIV-VI）に対するAI皮膚科診断の精度低下という医療格差を解消するた…

ANARCHYは、クラウドやテレメトリーに依存しない、完全ローカルかつオフラインファーストのWindows向けAIアシスタン…

このツールは、「ARIS（Auto Research in Sleep）」エージェントフレームワークを活用し、AI分野での就職活動（特に…