全AIリポジトリ

この「Awesome-Audio-Generation」リポジトリは、音声生成に関する最新の研究論文、コード、およびプロジェクトを厳…

MisoTTS-ComfyUIは、ComfyUI向けのテキスト読み上げ（TTS）ノードです。Miso TTS 8BモデルとMimiオーディオトークン…

AlignedNormは、Vision-Language Models (VLMs) のプロンプト学習において、既存手法の局所最適化と汎化性能の限界を…

DBMSolverは、高品質な画像間変換（Image-to-Image Translation）を実現するための、トレーニング不要な拡散ブリッジ…

ComfyUI用のLighthouseは、ノード間の接続関係を視覚的に明確にする非破壊的なオーバーレイツールです。クリックした…

このリポジトリは、VoxRTオンデバイスランタイム向けに最適化されたASR（自動音声認識）モデルのウェイトを提供しま…

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…

ComfyUI-MCP-Serverは、ComfyUIのワークフローをAIエージェントが利用可能なパラメータ設定可能なツールに変換するMC…

SöyleはmacOS向けのプッシュツートーク型音声認識ツールです。キーを押しながら話すと、話した内容がデバイス上で100…

このツールは、ChatGPT/Codexのサブスクリプションを利用し、APIキーや従量課金なしでgpt-image-2モデルによる画像生…

Zencia Vocalisは、Microsoft VibeVoiceを基盤とした、オンデバイスで動作する会話型音声AIです。ユーザーがAIと音声…

AI画像生成に関する最適なリソース、モデル比較フレームワーク、プロンプトガイド、編集ワークフロー、およびClipris…

ScriptSmith-Engineは、プレーンテキストのスクリプトを、ナレーション付きの完全に編集されたYouTube動画に自動的に…

「ACE-Step-Web」は、ACE-Step AI音楽生成のためのモダンなウェブインターフェースです。ダークテーマでレスポンシブ…

PiD-Image-Upscalerは、NVIDIAのPiD（Pixel Diffusion Decoder）フレームワークを基盤とした、実験的な高機能超解像…

MLX-IndexTTSは、Apple Silicon向けに最適化された高品質なテキスト読み上げ（TTS）ツールで、IndexTTS 1.5および2.0…

xhs-notes-skillは、中国のソーシャルメディア「小紅書（XHS/RedNote）」向けの画像とテキストコンテンツ作成を支援…

このツールは「Are we really tilting?」論文の実験コードで、フロー・拡散モデルにおける報酬ガイダンスのメカニズ…

AgentRearrangeは、Swarmsフレームワーク向けの汎用マルチエージェントオーケストレーションプリミティブです。本ツ…

XRは、BYOK（APIキー持ち込み）またはローカルモデルを利用する、セキュアで自己ホスト型のAIエージェントです。費用…

Nocturneは、GitHubの課題を自律的に解決するコーディングオーケストレーターです。設定されたリポジトリの課題に「a…

Nitographは、MNISTの数字をネオン風のストリングアートに変換し、釘から釘への連続的な糸の経路を生成するクラス条…

XiaomiMiMo-TUIは、Xiaomi MiMo専用のターミナルTUI/CLIクライアントです。Xiaomi MiMoのToken Planに特化したOpenAI…

saravananravi08/glm-ocrは、GLM-OCRビジョン言語モデルを搭載した純粋なRust製OCR推論エンジンです。PythonやPyTorc…