多模态

FreeVideo 可在 8GB VRAM、16GB RAM 上运行 MiniMax H3 生成视频

大幅降低视频生成本地推理的硬件门槛，使消费级设备即可运行 MiniMax H3，便于快速实验与部署。

DeepSeek 视觉工具箱支持图片问答、OCR与UI还原

为纯文本模型补齐视觉输入，适合 agent 截图/OCR/前端还原工作流。

VoiceStudio：本地开源语音克隆，支持 646 种语言

本地开源语音克隆与转录方案，可作为 ElevenLabs 替代评估起点。

本地文件多模态搜索工具DigUp基于EmbeddingGemma 2

提供跨平台端侧检索实践，可评估用于数据闭环与知识管理。

agent-vision-toolkit 为纯文本模型补齐看图与 GUI 自动化

可让 Codex/Claude Code 等 Agent 低成本获得多图理解、长截图 OCR 与 GUI 操作能力

Open-Generative-AI 自托管 600+ 图像视频模型

自托管聚合多模型，便于本地 AIGC 评估；无内容过滤有合规风险。

Provider-neutral Codex Skill 从脚本和授权图像生成 AI presenter 视频

将脚本与授权形象生成数字人视频的能力封装为可复用技能，可低成本集成到内容生成流程中。