#Python (2214 repos)

このツールは、任意のアプリケーションで選択したテキストを、Alt+Xのホットキー操作でF5-TTSによる音声合成で読み上…

このリポジトリは、PyTorchを使ってマルチモーダル大規模言語モデル（VLM）をゼロから構築するための詳細なステップ…

Splat Loaderは、人気のある画像生成UIであるComfyUI用のカスタムノードです。このツールは、Gaussian Splatting形式…

reel-forgeは、AIを活用したInstagram Reels動画生成ツールです。人物の静止画と参照となるダンスリール動画を入力す…

このツールは、AIを活用したデスクトップアプリケーションで、画像からAI画像生成のための構造化されたプロンプトを…

このリポジトリは、ICLR 2026で発表された「Weight Space Representation Learning on Diverse NeRF Architectures」…

「Post_Processing_PRO for ComfyUI」は、ComfyUI向けにキュレーションされたプロフェッショナルかつ高忠実度の後処…

この「Multi-Agent Failure Recovery Pipeline」は、大規模言語モデル（LLM）が自身の誤答を自動で検知し、修正する…

「MusicGen + Demucs API」は、テキストプロンプトからAI音楽を生成し、音源をボーカル、ドラム、ベースなどに分離す…

このリポジトリは、k2-fsa/OmniVoiceの音声クローンTTSを、AMD Radeon 890M統合GPU（gfx1150/Strix Point）上で動作…

UniMindは、大学生向けのAIを活用したRAG（検索拡張生成）チャットボットで、大学のノートに関する質問に即座に答え…

AI Voice Receptionistは、Pythonで構築された完全なリアルタイム、フルデュプレックスのAI音声受付システムです。ロ…

このツールは、スクリプトとアバターから音声同期されたトーキングヘッドビデオを生成するオープンソースのAIアバタ…

RAG Radarは、新しいRAG（Retrieval-Augmented Generation）の実装、ツール、およびパターンをリアルタイムで追跡す…

EchoTwinは、Discordで利用できるAI音声ボットで、ユーザーの発言にクローンされた声でリアルタイムに返答します。Fi…

Mixpeek Extractorsは、ビデオ、画像、音声、テキスト、PDFといった多様なファイル形式から、検索可能なベクトル埋め…

NVIDIA DLIのカリキュラムに基づき、ディフュージョンモデル（DDPM、U-Net、CFG、CLIPコサイン類似度）をFashionMNIS…

ControlFoleyは、動画から音声への生成を統合的かつ制御可能に行うフレームワークです。動画、テキスト、参照音声を…

SoviaMateは、エンドツーエンドの音声対話システム（SDS）構築に向けたオープンな研究プロジェクトです。特に、大規…

Argusは、サプライチェーン、金融、ヘルスケアなどの高リスクな意思決定を支援する、多角的で説明可能、不確実性を考…

この研究は、拡散デノイジングにおける「マイノリティガイダンス」がどの時間ステップで効果を発揮するかを検証しま…

TBAF（Triangle Based Activation Function）は、画像ベースモデル向けの画期的な活性化関数です。自己回帰的な画像…

FraudGuardは、銀行取引の不正調査を効率化するツールです。取引IDを入力すると、ルールベースで不正リスクをスコア…

「AIAI Hub」は、GitHub上のAI関連オープンソースソフトウェアを自動的に発見し、WordPressサイトにカタログとして公…