#Python (2218 repos)

「Awesome Video Diffusion」は、動画生成、編集、復元、理解、NeRFなど、動画関連の多岐にわたるタスクに対応する最…

このリポジトリは、OpenAIのDALL-E（テキストから画像を生成するTransformerモデル）をPyTorchで実装・再現したもの…

SUPIR（Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild）…

このツールは、OpenAI Whisperの自動音声認識（ASR）機能と高度な話者分離（Speaker Diarization）技術を統合したパ…

Sembleは、AIエージェント向けに設計された高速かつ正確なコード検索ライブラリです。`grep+read`と比較して約98%も…

このリポジトリは、永続的な無料利用枠を提供する大規模言語モデル（LLM）APIの厳選されたリストを提供します。コス…

vLLM-Omniは、既存のvLLMを拡張し、オムニモダリティモデルの効率的かつ低コストな推論と提供を可能にするフレームワ…

RedInkは、Xiaohongshu（小紅書）向けの画像とテキストを生成する統合ツールです。「一文、一画像」のコンセプトで、…

gsplatは、3D Gaussian Splatting技術のCUDA高速化ラスタライゼーションを実現するオープンソースライブラリで、Pyth…

「whichllm」は、ユーザーのコンピューターハードウェア（GPU/CPU/RAM）を自動検出し、その環境で最も性能を発揮する…

WeNetは、「Production First and Production Ready」を掲げるエンドツーエンド音声認識ツールキットです。最先端の…

NVIDIA Kaolinは、3D深層学習研究を加速するために設計されたPyTorchライブラリです。GPUに最適化された操作群を提供…

Transformer Labは、AI研究者向けに設計されたオープンソースの機械学習プラットフォームです。モデルの訓練、評価、…

MLX-VLMは、Apple Silicon Mac上でMLXを利用してVision Language Models（VLM）および音声・動画対応のOmni Modelsの…

VideoCrafter2は、データ制約を克服し高品質な動画を生成するためのオープンソースの動画生成および編集ツールボック…

Omnigentは、Claude Code、Codex、Pi、およびユーザーが作成したカスタムエージェントを含む、あらゆるAIエージェン…

PixelRAGは、ウェブページ、PDF、画像をスクリーンショットとして視覚的にレンダリングし、ビジョン言語モデルで埋め…

「Tiled Diffusion & VAE extension for sd-webui」は、Automatic1111のStable Diffusion Web UI向けの拡張機能です…

OpenGVLab/DragGANは、「Drag Your GAN」の非公式実装で、GAN（敵対的生成ネットワーク）で生成された画像をインタラ…

OpenSquillaは、トークン効率を最大化するマイクロカーネルAIエージェントです。限られた予算で高い知能密度と優れた…

Speech To Speechは、オープンソースモデルを活用してローカルで高度な音声エージェントを構築するためのプロジェク…

Whisper JAXは、OpenAIのWhisperモデルをJAXで実装したもので、特にTPUでの実行時にOpenAIのPyTorch版と比較して最大…

Align-Anythingは、あらゆるモダリティの大規模モデル（any-to-anyモデル）を人間の意図や価値観に合わせることを目…