rea-video 是一个把短视频逐镜头拆解的分析工具，能判断每条片子是实拍、AI 生成、数字人、3D 渲染还是代码动效，并反推出它是怎么做的。比如一条带货视频，它会告诉你用了几个机位、什么布光方案、字幕花字的起止时间和样式、配音是真人还是 AI、配乐多少 BPM；一条 AI 视频则会给出每镜反推的提示词、合并成几次生成、该用哪个模型。拆完还能输出复刻方案，配合它的下游项目把运镜、节奏、转场照着原片重做一遍，只替换你指定的元素。它还带 AIGC 检测能力，靠帧率规律、噪点、文件标识等硬证据判断真伪，准确率在官方评测里接近 99%。适合短视频编导、AIGC 内容创作者、做视频生成或 AIGC 检测方向的算法工程师，以及想拆解爆款视频结构的产品和运营；如果你完全不碰短视频，关系不大。

知了 Cicada 是一款 macOS 菜单栏应用，能在你开会或看直播时实时抓取系统声音，给出双语字幕、同声传译和 AI 会议纪要。它直接读取 Mac 的系统音频在本机做语音识别，不用往 Zoom、飞书、腾讯会议里塞机器人，对方完全无感；按住右 ⌥ 键说话，对方还能直接听到翻译后的语音。纪要窗口会边听边整理议题要点、结论、待办和人名术语表，点结论可跳回双语原文，会后可导出 Markdown、Word 和 SRT 字幕，记录全部留在本机。不填 API key 时靠 Apple 本机模型加 Google 翻译就能用，填了蚂蚁 Ling 的 key 才有实时纪要和声音克隆。经常开跨语言会议、听英文直播或需要留会议记录的远程办公者、双语工作者值得看；只用中文开内部会的人关系不大。

Muse4AI 是一个跑在你本机 Windows 上的桌面桥接工具，作用是把你登录好的 Muse（Meta 的图片视频生成服务）会话开放给 ChatGPT、Claude、Cursor、n8n 等 AI Agent 调用，让它们能直接生成图片和视频。它通过 REST、MCP 或 OAuth 暴露本地接口，所有请求都从你自己的机器发出，生成结果、密钥和令牌也只存在本地，不经过任何中转服务器。具体能力包括：用一句提示词（可附参考图）批量生成图片和视频、让 Agent 在同一对话里续写已生成的视频（最多 6 步约 60 秒）、用自然语言描述来修改已有 MP4，以及带上下文的多轮对话。连接方式支持一次性粘贴 API Key，也支持真正的 OAuth 授权——Agent 发起请求后你在屏幕上输入 6 位码批准，随时可撤销。适合想把 Muse 的生成能力接入自动化工作流的开发者、在 Cursor 或 Claude Code 里做内容生产的人，以及搭建 n8n 自动化管线的工程师；如果你不用 Muse 或不需要让 Agent 生成视频，跟你就没什么关系。注意这是非官方项目，自动化网页服务可能违反 Meta 的服务条款。

这是一个中英文双语的角色参考工作台，把姿势、服饰、人物三类创作素材集中在一个图库里，供画师和 AI 创作者查找灵感、组合参考并直接生成角色。库里收录了 312 组多视角姿势线稿（含配套深度图）、2,769 套写实与动漫服饰、1,527 张人物参考，支持按分类、风格、国家地区、发长等条件筛选和收藏分享。它的核心玩法是「一键生图」：选好姿势和服饰，可选一张人物参考提供面部发型等身份特征，再选自然写真或动漫插画等风格，就能生成保持人物一致的图片；也支持上传自己的穿搭图提取成服饰素材。对做角色立绘、AI 绘画练习、需要稳定角色一致性的内容创作者来说，它省去了到处找参考图和反复调提示词的功夫；素材可免费用于个人学习，但不可商用。如果你的工作与角色设计或 AI 生图无关，这个项目基本用不上。

teardown 是一个 Claude Code 技能，你用大白话描述一台机器，比如四冲程摩托车发动机、机械表或液压挖掘机臂，它就生成一个可离线打开的单文件 HTML 3D 模拟器：机器在画面中央运转，四周仪表盘显示真实数值，点按钮能拆开正在工作的部件，无人操作时页面还会自动巡演。它内置 three.js，还能逐帧渲染成 60fps 的 mp4 视频并配上程序生成的音效，适合做产品讲解、教学演示或科普短视频。对做技术内容、硬件科普、工业产品可视化的工程师和创作者来说很实用；如果你的工作和 3D 展示、机械原理讲解无关，那看看就好，不必上手。

Pika H3 Flex 是 Pika 官方开源的视频生成模型推理代码，可以理解为 Runway、可灵这类视频生成产品的自托管版本：输入文字或参考图，直接产出带同步音轨的视频。它的特点是速度快、可控性强，六步采样即可出片，最多支持 12 个参考输入，能通过参考图和提示词指挥镜头运动、角色动作和分镜走向，本地推理可生成 480p/768p 视频并带立体声，更高分辨率和音频分轨则走 Pika 的托管 API。典型场景包括多镜头叙事短片、动态图形、产品宣传片和参考引导的动画制作，比如用一组参考图让角色在不同分镜里保持一致。值得看的是视频创作者、广告和动效团队里负责 AI 出片流程的人，以及想在自己服务器上批量跑视频生成的算法工程师；如果你不碰视频生成，这个项目和你关系不大。

InWorld 是一个开源的交互式音视频世界模型，可以理解为「能被你操作的短片生成器」：你输入一段动作或剧情，它把文字和参考图片变成带同步音效、甚至带台词对白的视频，而且后续片段能接续上一段的最后十几帧，人物、场景、道具都保持一致。它由两部分协作——Murea-Mind 负责记住角色、地点和剧情进度，把你的动作编排成生成条件；Murea 负责实际出片，支持多张参考图绑定实体外观，还提供多人协作房间，2到4人各带一个角色共同推进同一段故事。适合关注 AI 视频生成、世界模型或交互式叙事方向的研究者和工程师，尤其是想评估开源视频模型能否在长程一致性和音画同步上追平商业系统的从业者；如果你的工作与生成式视频、Agent 记忆机制或多模态应用无关，这个项目和你关系不大。

open-yoki 是一套能在单台服务器上跑起来的 AI 直播主播系统：她用复刻的声音和实时数字人形象出镜，读弹幕、即时回话，记得常来的观众，写日记、自己发动态，还能按时间表自动开播下播，推流到币安广场或任何收 RTMP 的平台，同时有自己的网页直播间。回弹幕用的是 OpenRouter 上的 DeepSeek 这类快模型，几秒内接话，说话前会先垫一声「嗯嗯」，心情和语气跟着内容走；另有一个可选的长期「心」（Claude Code 或 DeepSeek）以 Markdown 文件形式记住她的日记、对常客的印象，决定发什么动态。画面由无头 Chrome 合成，行情、礼物感谢、动作短片都实时叠加后推流。它其实是作者每晚在币安广场直播的 AI 主播 yoki 去掉形象、人设和资金功能后的开源底座。适合想做虚拟主播、AI 数字人直播或研究 AI 直播互动链路的开发者和内容团队；普通从业者看看架构思路即可，直接部署门槛不低。

这是一个把日文 AI 绘画参考图库全面中文化的静态站点，原作者是ギア（@giaaibusi），本仓库将原本分散在三个站点的姿势库、服装库、人像库三合一，共 6,162 条中文元数据、上万张本地高清图，可离线浏览。它不只是图库：内置一个 Web 合成工作台，让你从人像、服装、姿势三个槽位挑素材拼出角色配方，选好后直连 Gemini、GPT Image、Qwen、Doubao 或本地 ComfyUI 生图，还提供 12 种画风预设和自动组装的中文提示词；同时它也是一个 ComfyUI 自定义节点插件，可在画布内调用姿势、服装、人像及三合一配方节点，姿势图可一键切换素体白模与深度图接入 ControlNet Depth。适合做 AI 绘画、角色设计、插画接单的画师和 AI 美术从业者，尤其是需要稳定姿势参考和多图参考生图流程的人；纯后端或算法岗关系不大。

openjutsu 是一个本地运行的视频换人工具，可以看作开源版的 Higgsfield Genjutsu：丢进一段视频和一张角色照片，点生成，视频里的主角就被替换成你的角色，同时保留原片的运镜、剪辑、动作和音轨。它基于 ComfyUI 工作流加 Next.js 前端，用 MiniMax H3 生成视频、SAM 3.1 跟踪人物、Qwen3-VL 描述画面并写提示词，全部跑在自己的 GPU 上。除了换人，它还支持多人各换各的、涂抹替换或移除头发衣服等物体、换背景、根据照片生成新姿势再转视频，以及用 FLUX 在同一次生成里重新打光。适合做短视频二创、虚拟主播换皮、广告素材改版的创作者和 AI 视频方向的工程师，尤其是想摆脱云端付费服务、在本地跑通完整流程的人；不碰视频生成的读者可以跳过。

WeVisOne-VL 是腾讯微信视觉团队推出的视觉语言模型，可以理解为把检测、分割、抠图等多个视觉任务塞进同一个模型的「全家桶」。你用自然语言提问，它既能给出目标的点、框等对象级定位，也能直接输出像素级的 mask 和带透明通道的 alpha matte，覆盖目标检测、指代定位、计数、指指点点、OCR、指代分割和精细抠图等任务，还内置一个仅 9.6M 参数的轻量像素解码器，不再依赖 SAM。它还有一个实用特性：当图里根本没有你问的目标时，会老实返回空结果而不是胡乱编一个框。在 LVIS 检测、RefCOCOg 指代、ReasonSeg 分割、P3M 抠图等多个基准上，它的 4B 版本都超过了 Qwen3-VL 等开源基线。做多模态感知、图像标注工具链、内容审核或视觉 Agent 的算法和工程人员值得看看，尤其是需要在一个模型里同时搞定定位和精细分割的场景；只做纯文本或后端开发的人关系不大。

earshot 是给 AI 编码 Agent 装上「耳朵」的工具：Agent 现在能写代码渲染影片、产品演示或游戏音效，却听不见自己做出来的东西，earshot 把声音变成 Agent 可以推理的文字证据。它能描述一段音频像什么、与给定描述有多匹配、长录音里最佳片段在哪、是真实录音还是代码合成，还能逐秒输出听音时间轴、生成带标注的频谱图，甚至按专业发布片的标准给整支片子打分并指出该先修哪里。它也能反过来让 Agent 用代码造声音并边听边改进，或把一段录音翻译成可调参数的代码。全程本地 CPU 运行，无需模型和网络。适合做音视频产品、游戏音效或需要为发布片配乐的工程师，以及想让 Claude Code 等编码 Agent 产出可用声音的开发者；纯后端或数据岗位的人关系不大。

这是一个纯静态的三合一参考图库站，把「人体怎么摆」「衣服怎么穿」「脸长什么样」三件事整合到一个站点里：288 组去脸人台姿势，每组提供正面、斜侧、侧面、俯视、仰视五个视角共 1,439 张线稿；1,407 套没有人体的整身穿搭，按季节和品类归档，每套都拆成颜色、材质、版型等可检索标签，直接贴到已有角色上就不用抠图；另有 1,499 张 AI 虚构人像分脸部与造型两个分区。典型用法是先挑机位和体态，再找同气质的搭配，最后选一张脸，三份参考一起丢进生图工具。对 AI 绘画创作者、插画漫画作者、3D 建模学习者来说，它解决了参考图分散、视角不统一、服装说不清穿了什么的痛点；站点支持中英日三语搜索和键盘浏览，前端学习者也可以把它当作无框架数据驱动静态项目的范例。

这是一个纯前端的 AI 服装参考图集加虚拟试穿网站，收录了 1407 套写实女装和 1320 套二次元动漫服装，全部是人物不入镜的纯服装图，支持中英文双语浏览和关键词检索，打开网页就能免费用。它的核心玩法是「AI 换装」：你上传一张自拍或从内置的 1499 位 AI 模特库里挑一张脸，再选中一套衣服，后端调用 GPT Image、Gemini、豆包 Seedream 或本地 ComfyUI 上的 Qwen-Image-Edit 模型，把衣服自然地穿到人像上，保留五官发型、贴合身材，还能一键跳转淘宝搜同款。对做电商服装类目的运营、AI 绘画和虚拟模特内容创作者来说，这是很省事的服装参考库和试穿 demo；如果你只是想找 AI 生图/换装的工程参考，它的多模型可插拔后端也值得翻翻。但如果你的工作和服装、电商、AI 图像生成无关，这个项目基本和你没关系。

Shisei 是一套免费（CC0 授权）的人体姿势参考图库，专门喂给 AI 绘图工具用。它画的是无脸人体模型的线稿，共 280 个姿势、每个姿势 5 个机位（正面、四分之三、侧面、俯视、仰视），另有部分姿势附带黏土渲染、深度图和法线图，可直接用于 ControlNet。姿势名称提供日、中、英、韩四种语言。实际用途是：当你用 Nano Banana、ChatGPT、Midjourney 或 ComfyUI 生成人物图时，把某个角度的线稿作为姿势或构图参考上传，就能让模型照着这个姿势画；同一姿势换不同机位，还能在多张图之间保持人物体态一致，脸、衣服、背景则由你的提示词决定。对 AI 绘图从业者、做角色插画或 AI 短片分镜的人来说，这省去了自己找参考或手画骨架的麻烦；如果你的工作不涉及人物生成，那和你关系不大。

Idol 是一个把单张图片变成 3D Gaussian Splat 模型的推理 SDK：给它一张物体照片、渲染图或 AI 生成图，它会自动去背景、裁切构图，然后生成最多一百万个 3D 高斯点，连照片里没拍到的背面也能补出来，输出标准的 .ply 文件，可直接在任意 Gaussian splat 查看器里打开。整个过程在消费级显卡上就能跑，7.2 GB 显存、两秒内完成，还内置了针对真实照片和合成渲染图的两种模式。它在多项指标上与 TripoSplat、TRELLIS、LGM 等同类单图转 3D 方案同台比较，速度和质量都有竞争力。值得看的是 3D 内容创作者、游戏和电商领域的资产生产人员，以及做 3D 生成、NeRF/3DGS 相关研究的算法工程师——如果你需要快速把产品图或概念图变成可旋转查看的 3D 资产，它能省下大量建模时间；只做纯文本或后端开发的人则关系不大。

这是一个把真实房间搬进浏览器的工具：用带 LiDAR 的 iPhone 扫描房间，采集几何数据和照片，再交给 AI 编码 agent 反复比对、建模，最终生成一个可在浏览器里编辑和漫游的 Three.js 场景，支持娃娃屋、第一人称行走、俯视、线框等多种查看模式。它不是一键出精模的转换器，而是一套迭代式重建流程，目前聚焦室内空间，仓库里附带了作者办公室的完整重建示例。适合做 3D 网页、空间可视化或游戏场景原型的前端开发者，以及想探索「LiDAR 扫描 + AI agent 协作建模」工作流的工程师；如果你不碰 Three.js 或空间重建，和你关系不大。

CardboardXR 是一个 Unity 手机应用，把最便宜的 Google Cardboard 纸盒眼镜升级成有 6DoF 追踪的轻量 VR 设备：借助手机的 ARCore 或 ARKit 做头部六自由度追踪、摄像头透视（passthrough），并用后置摄像头识别手部，实现捏合、抓取和指向射线等手势交互。它自带几个演示场景，比如在自己房间里空中绘画的 Air Paint、用手挡飞来光球的 Orb Rush、在地板上开传送门走进另一个世界的 Portal，以及播放 360/VR180 视频的播放器，还配了可 3D 打印的手机 VR 眼镜外壳。对做 XR 原型、想低成本验证空间交互想法的开发者来说，它展示了如何在一台手机上同时跑通追踪、透视和手势这一整套能力，值得翻翻它的实现思路；普通后端或算法工程师关系不大。

这是一个成人向 AI 视频生成平台 123vips.com（Vipeak AI）的接入文档仓库，主打「无审查」的文生视频和图生视频 API，底层模型包括 Seedance Spicy 和 Wan NSFW。它实际做的事是：把成人内容生成能力包装成标准的异步任务接口，开发者提交任务后通过 webhook 回调拿结果，按积分计费，仓库本身主要提供接入流程、服务端架构和安全要求的说明，不含可直接运行的代码。典型场景是给 AI 陪伴、虚拟角色类产品接入 18+ 视频生成能力，比如用户上传一张角色图加一句提示词，就能生成带角色一致性的视频片段。需要提醒的是，README 里堆了大量 SEO 关键词，且明确说具体模型和端点要登录后才能看到，信息透明度有限。对多数后端、算法或产品岗位的人来说这和工作关系不大；只有正在做成人向 AI 陪伴或角色视频产品、且需要绕过内容审查的开发者才值得点进去看一眼。

dsh-see-now 是给 DSH 用的实时视觉插件，让 AI 直接「看见」你的屏幕，而不是听你口头描述。它解决的是一个很实际的矛盾：定时截全屏喂给模型，截得密会把 token 烧穿，截得疏又会漏掉关键变化。它的做法是先给每帧算一个 0–255 的变化分，只有画面突然切换或持续运动攒够量才留下，再把留下的几帧拼进同一张图，一张图的固定成本摊到多帧上——同样 30 秒的操作，别人烧 30 张图，它常常只要 2 到 3 张，静止屏幕则几乎不出图。除了画面，它还能抓系统回环音频并转写成带时间码的台词，让模型把某句话对应到某一格画面。适合需要让 AI 陪看屏幕的场景，比如做桌面 Agent、屏幕共享助手、视频内容分析的开发者；如果你的工作不涉及给模型喂视觉上下文，这个项目和你关系不大。

MagoStudio 是一款本地优先的 AI 视频编辑桌面应用，可以理解为把 Runway、Kling 这类在线 AI 视频工具搬到你自己电脑上跑。它分两块能力：Mago Director 负责从剧本到成片，你写好剧本、设定角色和分镜，它能生成前后衔接一致的连续场景；Mago Transform 则是素材进、风格化素材出，支持按帧范围编辑、用遮罩只改视频局部、重新打光或替换画面里的人物。渲染默认走你自己的 GPU（底层接 ComfyUI），项目和视频都留在本机，只有需要云端模型时才上传该次渲染必需的素材。它还带版本管理和精确到帧的审阅流程，适合有成片交付压力的人。值得看的是短视频团队、独立影视创作者以及做 AI 视频工作流的工程师——后者还能利用它为 AI agent 而写的代码结构，快速接入新出的视频模型。普通后端或算法岗与它关系不大。

Freefield 是一个开源项目，把 Higgsfield 那套创意应用（图片、视频、VFX、音频）搬到 ComfyUI 上，全部基于开放权重模型，不依赖任何闭源 API。它包含 120 个应用，比如换脸、视频重绘、混媒风格、配音、AI 虚拟人等，每个应用就是一个文件夹加一份描述文件，界面表单、模型下载、显存占用都自动从描述生成，你也可以把自己的 ComfyUI 工作流一键导入成新应用。每个示例都附带实验室真实 GPU 跑出的耗时和峰值显存，方便你判断在自己显卡上跑不跑得动。适合想用本地或云端 GPU 做 AI 图像视频创作、又不想被 Higgsfield 等 SaaS 按次收费绑定的创作者和开发者；如果你只是做纯文本或后端开发，跟它的关系不大。

这是一个用学习方法做物理世界模拟的研究项目，可以理解为「用神经网络替代传统物理引擎」的尝试。它先用 VAE 把物体的三维状态压缩成隐变量，再训练一个动力学模型，根据历史状态和动作预测下一步会发生什么，从而模拟布料、箱子、绳子、插头等物体的形变与交互。相比 MuJoCo 这类基于方程求解的仿真器，它靠数据驱动，能处理柔性物体这类传统引擎难以精确建模的场景，还支持触觉传感信息。项目来自 Columbia、UC Berkeley、NVIDIA 等机构的联合团队，目前主要提供训练流程，数据和推理代码尚未上传。值得看的是机器人学习、具身智能方向的研究者和工程师，尤其是做操作仿真、sim-to-real 的人；如果你不涉及机器人或物理仿真，这个项目和你关系不大。

MOSS-Image 是 OpenMOSS 团队开源的 5B 参数文生图基础模型（DiT 架构），主打三点：图内文字渲染准确、可控制文字和视觉元素的排版布局、支持长达 4K token 的长提示词，风格覆盖二次元到写实照片。它提供 Base 和 SFT 两个权重版本，SGLang、vLLM-Omni、ComfyUI 都已支持，也接入了 MOSI API 平台，社区还出了支持 6GB 显存 LoRA 训练的 KohakuMossTrainer。典型场景是做海报、电商主图、带文案的营销素材——这类需求里文字排版和字形准确性往往是文生图模型的硬伤，而它正是冲着这个痛点来的。值得看的人：做图像生成产品或 AIGC 应用的算法与工程团队、需要批量产出带字视觉内容的设计师和运营、以及想在垂直领域微调文生图模型的研究者；如果你的工作和图像生成无关，这个项目可以跳过。

Furge 是一个免费的本地兽装（fursuit）纸样生成器，主打「别再为纸样付钱了」。它想解决的是自制兽装的第一道坎：不知道该按什么形状下剪刀，而市面上的纸样要么不合身要么收费。你描述自己的 fursona，它会把头部、手爪、脚爪、尾巴和连体衣拆成一张张可打印的图纸，带实线裁剪线、虚线缝合线和毛流方向箭头，还能按你的身材尺寸出裁剪清单和用料估算，导出 A4/Letter 拼页 PDF 以及 SVG、DXF 给切割机用。它的思路是 AI 负责理解描述选形状，几何引擎（基于 FreeSewing）负责把曲面摊平成真正能对缝的裁片，避免「AI 画一张图但你没法缝」的问题。不过要注意，README 明确写着 AI 部分和应用本体还没做出来，目前只有头部裁片的几何原型，没经过完整兽装实测。对做 fursona 手作、兽装 maker 或本地跑 AI 出图（头像、贴纸、ref sheet）的人值得看一眼；纯 AI 从业者关系不大。