音视频标签_DeepSeek技术社区

音视频

200+ 个视频一键自动剪辑成 10 分钟卡点成片：我用 DeepSeek Harness 写了个自动剪辑插件

这套插件的本质是把剪辑师的“看素材 → 做标注 → 定结构 → 上时间线”压缩成一条可重跑的流水线。82 分钟素材全程无需手动翻看，从扫描到成片一个多小时全自动完成（信号分析约 40 分钟，剪辑约 20 分钟）。对毕业回忆录、活动记录、旅行视频这类“素材多、结构清晰、时长目标明确”的场景非常合适。

fating__
2026-08-21 14:52:05

 999

 35

#音视频
270亿参数告别GPU依赖：SGLang 草稿 PR 拆解 Qwen3.8-27B 无显卡视频推理路线图

配 AVX 指令集的服务器，上下文里塞了视频帧的情况下，token 生成速度大概是个位数每秒。CPU 路径的价值不在于速度，而在于"能跑"这个事实本身——无 GPU 部署可以运行同一模型的视频模式，不用降级到更小的视觉模型，也不用把每一帧都发到云端。但恰恰是这条"无显卡路径"的存在，让 Qwen3.8-27B 从一个"需要 48GB 显存才能玩"的庞然大物，变成了可能在普通服务器、虚拟机甚至边缘网

 ylscode
2026-08-19 20:34:07

 545

 10

#sglang #音视频
熙瑾·会悟 ASR 实战：Qwen-ASR 漏字导致转写不完整，如何从音频分段到二次校验解决？

本文结合熙瑾·会悟实际开发场景，分析 Qwen-ASR 在会议转写中出现漏字、文本不完整的常见原因，并从音频预处理、VAD、智能分段、上下文识别、二次 ASR 校验、专业词典及文本纠错等方面，梳理一套可落地的优化方案，为企业级 ASR 系统提升转写完整性和稳定性提供参考。

HySpark
2026-08-19 15:49:14

 311

 2

#音视频
Qwen3.8‑2.4T 开源落地@ACP#轻量化私有化 AI 整机中高性价比视频处理器 GSV9001S 的硬件价值与应用场景

Qwen3.8‑2.4T‑A95B 开源，除大型智算集群之外，量化版本正快速下沉到大量轻量化边缘 Agent 整机。这类项目受成本、PCB 尺寸约束，很容易选择用 CPU/NPU 软件完成视频后处理，带来推理时延升高的问题。GSV9001S 作为国产高性价比视频处理器，定位普惠型边缘 AI 整机，将画面缩放裁剪、OSD 告警叠加、信号切换等工作硬件卸载，释放宝贵的 AI 推理算力；小封装、工业宽温

 ACP广源盛13924625673
2026-08-19 00:30:00

 504

 11

#开源 #人工智能 #音视频 +3
Qwen3.8‑2.4T 开源落地：国产 MoE 大模型私有化部署中视频处理器 GSV9001E 的硬件价值与应用场景

Qwen3.8‑2.4T‑A95B 开源以及多国产 AI 芯片原生适配，加速万亿级 MoE 大模型私有化落地进程。行业更多关注算力与存储硬件，而多路画面汇聚、OSD 状态叠加、无缝切换这类可视化后处理能力，很容易成为整机算力资源消耗点。

ACP广源盛13924625673
2026-08-19 00:15:00

 273

 7

#开源 #音视频 #人工智能 +2
开源 BeautiCode：给 DeepSeek Harness 加动态皮肤，我是如何实现视频背景、插件接入和安全回滚的

给deepseek harness和codex实现动态换肤和图片背景

 2501_93406211
2026-08-17 13:31:30

 678

 9

#开源 #音视频 #安全
亲测 GLM-5.3 ：我写了个批量视频转音频工具

WPS灵犀上线GLM-5.3模型实测：编程能力惊艳，10分钟生成可直接运行的音视频转换工具摘要：WPS灵犀新上线的GLM-5.3模型展现出卓越的编程能力。实测中仅用29个灵点，10分钟内就生成了功能完善的Python音视频转换工具，完整实现了递归目录识别、格式转换、进度显示等复杂需求，代码一次编译通过。模型不仅能准确理解需求，还能主动补充防重命名、环境检测等细节，甚至能解释自身代码逻辑。测试显示

 henanlion
2026-08-17 10:13:16

 275

 5

#音视频
MiniMax-Music3：AI 音乐革命来了，输入一句话，让 AI 从零创作一整首歌，不会写歌也能当音乐人

它不只是生成一小段背景音乐，而是重点针对“完整歌曲”的生成，最长可以做到约 5 分钟，并且尽量保持歌曲前后风格、旋律、节奏和人声的一致性。，可以将它发送给大模型，比如DeepSeek，豆包，千问等，然后输入你需要的音乐风格和主题歌词，等待大模型完成，将生成的描述和歌词填入对应文本框即可。双击启动进入WebUI，输入音乐描述（比如风格、情绪、人声特点、乐器编排等等）和歌词，设置相关参数（时长等），运

 昨日之日2006
2026-08-16 10:26:20

 352

 9

#人工智能 #音视频
AI自媒体实操：如何串联文本、画图、视频大模型？多模型协同创作全流程指南

AI多模态协同创作标准化工作流指南随着AI创作从单模型转向多模态协同，如何确保内容一致性成为关键。本文提出三步标准化流程： **文本模型（Claude）**生成结构化分镜提示词，包含画幅比例等参数（如--ar 16:9），效率提升至10秒/张； **图片模型（Midjourney）**使用首图Seed值保持画风一致（一致性达80%以上）； **视频模型（Luma）**以关键帧为基础生成动态，避免

 AI码农小姐姐
2026-07-12 09:59:31

 338

 8

#人工智能 #媒体 #音视频
多模型协作案例：Claude 4.8 写脚本，图片模型出图，视频模型做素材

摘要：内容团队可通过AI聚合平台（如yingcaiai.com）整合Claude 4.8、图像与视频模型，构建高效视频生产流程：工具链协同：Claude生成分镜脚本→Midjourney/SDXL输出统一风格静态图→Runway Gen-3转为动态视频→ElevenLabs添加配音，48小时内可完成30秒视频Demo。关键技巧：利用种子值（Seed）控制画面一致性，优先图生视频（I2V）减少

 AI码农小姐姐
2026-07-06 10:06:23

 332

 16

#音视频 #人工智能
英语老师亲测！用WPS+DeepSeek3步搞定高颜值双语听读视频，课堂效率直接拉满

这篇文章介绍了一套高效制作英语教学视频的实用方法，通过整合WPS、DeepSeek和豆包三个工具的功能：1. 用WPS生成英文字幕；2. 通过DeepSeek翻译为双语字幕并标注高阶词汇；3. 用豆包设计视频封面；4. 最后用WPS合成完整视频。这种方法将普通音频转化为包含双语字幕、词汇注释和精美封面的教学素材，能显著提升课堂吸引力，帮助学生学习词汇和听力。文末还提示教师可通过教育认证获取优惠的W

henanlion
2026-08-15 18:20:00

 255

 6

#音视频
批量音频转文本 ASR 目前中文识别效果最好的qwen3 模型

摘要：开发者推出新版免费音频转文字软件，采用中文识别效果最佳的qwen3模型。该软件整合深度学习网络，支持本地处理wav/mp3/m4a/aac等格式，无需联网调用API。由于内置完整模型，软件体积约1GB，对电脑性能要求较高。下载地址为百度网盘（提取码1111）。主要特点：完全离线运行、自动扫描文件夹、但转换速度依赖硬件配置。

点云处理
2026-08-14 17:06:20

 233

 7

#音视频
ClipSketch AI部署：从视频关键帧生成漫画风图文素材

ClipSketch AI是一款将视频转换为漫画风格分镜的工具，可帮助用户从视频中提取关键帧并生成统一风格的图文内容。文章介绍了在Windows中通过Docker部署ClipSketch AI的步骤，包括获取Gemini API Key、运行容器及访问本地界面。使用教程涵盖视频导入、关键帧截取、AI绘图提示词设置、角色形象融合及文案生成等功能。此外，还推荐使用cpolar内网穿透工具实现公网访问，

我滴老baby
2026-08-14 12:35:54

 1.4w

 48

#人工智能 #音视频
利用 Claude Code 生成视频：18 集 STM32 万年历教学视频

18 集片头全部是同一版式——点阵网格背景 + 中央蓝色柔光 + 顶部 8 色 LED 光点带 + 主标题「LED 全彩点阵屏万年历」+ 副标题 + 蓝色集数徽章「第 N 集 · 标题」+ 底部技术栈标签（STM32/DS1302/HUB75/PCB），只有集数徽章文字不同。：DS1302 晶振偏快，实测每天快约 15 秒（≈174 ppm）。：每个像素 1 字节低 3 位，8 种颜色（黑/红/绿

 knight617
2026-08-14 11:00:19

 339

 11

#音视频 #stm32 #嵌入式硬件
Claude 的思考解码之旅：Anthropic 的透明化探索

摘要： Anthropic公司针对Claude大语言模型开展的可解释性研究，通过稀疏自编码器、特征字典学习和因果干预等技术，实现了对神经网络内部计算过程的"思考解码"。该研究揭示了模型知识表征的分布式特性、多义性神经元的叠加现象，以及特征组合形成推理的动态机制。研究证明安全风险（如谄媚、欺骗）可通过内部特征监测被识别，并通过激活工程进行干预。当前技术仍面临特征重建误差、干预副作

 油墨香^_^
2026-08-14 00:48:45

 264

 4

#学习 #transformer #音视频
实时语音 Agent 开发门槛降低:qwen-audio-agent 与 CosyVoice Studio 解读

语音正在成为人机交互的新主界面,但"能听会说还会干活"的实时语音 Agent 长期被全双工、打断、任务并行这三道工程门槛挡在 demo 之外。2026 年 8 月初,两件事同时把门槛砍低:QwenAudio 团队开源实时语音运行时(GitHub 星标已突破 2000),阿里推出国内首个一站式 AI 语音生产力平台。本文拆解两个项目的能力与架构,并给出基于开源运行时快速搭建实时语音 Agent 的实

 电脑玩家柒柒
2026-08-12 07:45:12

 239

 6

#人工智能 #音视频 #开源
MiniMax H3 vs Seedance 2.5 vs Kling 3.0：2026 AI视频生成模型横评（排行榜+价格+开源实测）

2026年2月到7月，Kling 3.0 Omni、Gemini Omni Flash、MiniMax H3、Seedance2.5四款视频生成模型密集发布，原生音频已成标配。本文整理了Artificial Analysis三个排行榜、价格对标表、开源协议分析，帮你快速了解这轮军备竞赛的竞争格局和对开发者的实际影响。

AICDragon
2026-08-09 21:24:29

 832

 10

#人工智能 #音视频 #开源 +1
GitHub 46k+ Star：OpenMontage AI 视频制作

OpenMontage 是全球首个开源的智能体驱动视频制作系统（46,160 Star）。它将 AI 编程助手（Claude Code、Cursor、Copilot 等）变成完整的视频制作工作室。你只需用自然语言描述需求，AI 自动完成：网络调研 → 概念提案 → 脚本撰写 → 场景规划 → 素材生成（图片/视频/配音/音乐）→ 剪辑合成 → 字幕烧录 → 质量自检 → 最终视频输出零 API K

qq_34958121
2026-08-09 20:14:16

 577

 9

#github #人工智能 #音视频
优秘智能营销智脑V6 6.10.8技术解析：4大模型原力如何重构AI视频生成链路

优秘智能营销智脑V6.10.8版本升级解析：通过"原子能力"架构集成4款AI模型（Qwen3.8-Max、MiniMaxH3、Wan3.0、Seedance2.5），实现AI长视频生成功能突破。技术亮点包括动态分镜编排、算力预扣费机制和素材时长校验，解决长视频连贯性难题；数字员工升级支持多渠道服务；修复视频反推描述词状态管理问题。该版本标志着从短视频到长视频的工程跨越，体现优秘

 wx_xkq1288
2026-08-07 13:20:58

 310

 4

#人工智能 #音视频 #大数据
剪视频，靠说就行了。

剪视频，靠说就行了。至少我最近用 ChatCut 的感觉是这样。最近不知道大家有没有留意到一个自动化剪辑工具，叫 ChatCut。我最近确实用得比较频繁，上一条视频就是用它剪出来的。它的操作方式很简单，基本靠说。把视频传进去，再把要求讲清楚，它就开始自己处理时间线。如果你是接到 Agent 里使用，目前支持 Codex 和 CC，也就是 Claude Code。这种用法消耗的是对应 Agent 的

 weixin_58856824
2026-08-06 21:12:07

 498

 21

#音视频
HappyHorse、Seedance、可灵、Gemini Omni：2026 年视频大模型深度横评

2026 年的文生视频赛道在四个月内连续经历三次格局重写：4 月阿里巴巴以 HappyHorse 1.0 匿名登顶 Artificial Analysis Video Arena，5 月 Google 在 I/O 大会上发布 Gemini Omni 把视频编辑变成对话，6 月快手可灵 3.0 以最低 API 单价正面竞争，7 月字节跳动 Seedance 2.5 把单次生成时长推到 30 秒。本文

 七牛云行业应用
2026-07-30 10:55:13

 770

 12

#音视频 #人工智能
摒弃碎片化 Prompt 模式，以创源 AIGC 搭建文本、视觉、音频、智能体一体化工业化生产管线。

创源AIGC 所代表的全模态协作方式，真正改变的不是“能否一次用到更多模型”，而是团队如何定义和管理创作过程。判断创源AIGC平台怎么样，也不应只数界面里有多少模型，而要验证 DeepSeek + Kling 视频生成、Vidu TTS 语音合成实战等跨模态任务能否被稳定编排。DeepSeek V3、Gemini 3.6、Midjourney、Vidu TTS、Suno、Kling V3、Wan

奈斯先生Vector
2026-07-28 14:27:35

 560

 19

#AIGC #音视频 #前端 +1
GPT-Image-2 角色一致性屠榜:2026 五款图生图模型 IP 漫剧实测

本文对2026年Q3五款主流图生图模型（GPT-Image-2、Gemini 3.1 Flash Image、Qwen-Image 2.0、Doubao Seedream 5.0、Z Image Turbo）进行了角色一致性实测对比。研究显示，GPT-Image-2在角色一致性上表现最优但成本最高，而国产模型如Doubao Seedream 5.0在二次元场景下性价比突出。文章提出了四维度评估体系

 神奇霸王龙
2026-07-26 20:23:18

 450

 11

#tcp/ip #音视频 #人工智能 +1
多模态AI是怎么看懂一段视频的？从ASR到视觉理解的技术拆解

AI视频转笔记的技术解析将视频自动转化为结构化笔记需三步骤协同：语音转文字：采用ASR技术（如Whisper模型），通过Transformer架构将语音转为带时间戳的文本，但需处理无标点、口语化等问题。画面信息提取：通过OCR和目标检测模型（如多模态大模型GPT-4o），识别PPT、图表等关键帧内容，并与语音时间轴对齐。多模态融合：整合语音文本与画面数据，利用大语言模型（如DeepSeek

2601_96073073
2026-07-24 09:54:42

 469

 15

#人工智能 #音视频 #多模态
把B站视频变成漫画笔记：ClipSketch AI部署与内容改编实战

把一段视频重新整理成小红书图文，看起来只是换一种发布形式，真正做起来却很耗时间。需要从视频中挑选画面、逐帧截图、重新排列顺序，再根据图片补充标题、说明和发布文案。如果视频有十几分钟，选图本身就很容易打断创作节奏。截图太多，内容会显得拖沓；截图太少，又可能讲不清过程。即使关键画面选好了，原始视频截图的视觉风格也未必适合直接做成图文笔记。ClipSketch AI提供了另一种处理方式。它可以导入B站或

 溜达的大象
2026-07-20 13:38:54

 3657

 5

#人工智能 #音视频
Reddit 15k浏览！基于Chrome Gemini Nano+WebGPU，纯浏览器离线AI视频编辑器开源实战

无需云端服务器、素材全程本地处理，依托Chrome内置Gemini Nano与WebGPU硬件加速，一款能实现AI自动字幕、人声分离、短视频脚本一键生成的前端开源剪辑工具。如果你正在研究浏览器本地大模型、WebGPU音视频开发，或是需要一套开箱即用的AI剪辑工具，都可以检索项目名称下载源码学习，也欢迎在仓库提交Issue反馈问题、提交PR一起共建项目。视频解码、画面裁剪、音频分段运算全部交给GPU

baidu_19714719
2026-07-20 09:12:01

 485

 7

#人工智能 #chrome #音视频 +2
海光DCU环境下的轻量级语音克隆系统设计与实现

环境部署参照https://developer.sourcefind.cn/codes/modelzoo/qwen3-tts_pytorch里面操作步骤，项目下载链接为：https://developer.sourcefind.cn/codes/modelzoo/qwen3-tts_pytorch/-/archive/master/qwen3-tts_pytorch-master.zip。利用HT

pla88888888
2026-07-18 15:20:18

 466

 54

#人工智能 #音视频
音频-视觉多模态：从音画同步到场景声音识别

音频-视觉多模态技术摘要本文介绍了2026年音频-视觉多模态大模型(MLLM)的技术发展，重点关注音画同步检测、声源定位等核心应用场景。文章分为四个部分：首先概述了视听融合的核心命题和典型应用；其次分析了技术演进历程和当前主流架构；然后提供了环境配置方案；最后详细展示了音画同步检测的具体实现方法，包括音频频谱图转换、VLM问答系统设计等技术细节。关键技术挑战包括时序对齐、语义鸿沟等问题，解决方案

 鱼弦
2026-07-16 10:51:00

 252

 5

#音视频
第027章：ComfyUI视频制作LTX-2.3模型(文生视频)

通过前面的文章，我们已经可以通过Z-Image去生成模特图片、通过Qwen3-TTS和Index-TTS2去设计模特音色并生成相应的音频。现在人物有了、声音也就有了，就差让人物开口讲话，生成视频了。从今天开始我们将学习一个新的视频模型LTX2.3......

水杯不满
2026-07-11 23:43:51

 511

 4

#音视频 #ComfyUI #AIGC
语音API价格地震：MiniMax¥3.2对比Gemini¥20

本文对比了2026年主流TTS语音合成API的价格差异，重点分析了MiniMax、Gemini和Vidu三家厂商的计价模式。MiniMax采用按次计费（¥3.2/次），Gemini按token计费（输入¥0.5-1.0/1M tokens，输出¥10-20/1M tokens），Vidu按秒计费（¥0.5/s）。测试数据显示，60秒音频在不同计费方式下成本差异可达150倍。文章指出价格选择需结合具

 神奇霸王龙
2026-07-11 11:04:27

 570

 13

#音视频 #人工智能 #python
第026章：从坑里上来了！ComfyUI文生音频IndexTTS2+Qwen3-TTS本地部署！

从7月6号的下午开始，一直到7月10号的下午，整整花费了一周的时间。我终于从IndexTTS2模型的本地部署的坑里爬上来了！不容易呀！给自己点个赞！最核心的原因是“TensorFlow”这个东西一直在搞鬼......

水杯不满
2026-07-11 11:24:22

 305

 6

#音视频
Claude Code 工信部后门警告后,开发者 24 小时迁移到 DeepSeek V4 的实战记录

7 月 8 日工信部 NVDB 点名 Claude Code 2.1.91-2.1.196 存在隐蔽后门,未经授权回传地域/代码/项目数据,阿里 7-10 起全面禁用,推荐 Qoder;腾讯、京东、美团已跟进收敛。本文从开发者角度拆解 3 条零成本迁移路径:DeepSeek V4-Pro 通过 Anthropic 兼容协议直驱 Claude Code、CC Switch 图形化切换、Deep Co

神奇霸王龙
2026-07-10 11:06:37

 659

 20

#网络 #音视频
解密 DeepSeek-TUI：构建全自动短视频引擎的技术实践

想摆脱繁琐的短视频制作流程？本文深入解密 DeepSeek-TUI，带你从零构建全自动短视频引擎。你将掌握脚本生成、视听对齐等关键技术，利用 AI 实现“选题到成片”的一键闭环，极大释放你的创作生产力！🚀

在水一缸
2026-06-26 11:37:49

 318

 8

#音视频 #人工智能 #DeepSeek +2
Kimi Code 突然能看视频了？视频理解能力超过 Codex 和 Claude

Kimi Code的视频理解能力提升并非单一版本突破，而是框架层、提示词引导和工程补课三方面quietly stacked upgrade的结果。框架层早内置ReadMediaFile工具，近期通过提示词引导agent优先使用该工具；工程上修复了媒体文件丢失问题，使视频附件不再静默消失；产品层面将视频理解提升为一等公民。这种改进打开了UI复刻、Bug诊断、自动化剪辑和视频风格复刻等新场景，标志着多

 cjm_success
2026-06-26 11:04:49

 418

 3

#音视频
GSV5800@ACP# 通用全协议 Type-C 音视频转换主控芯片

摘要：苹果WWDC2026发布全新Siri AI架构，基于三层设计整合Gemini多模态模型，实现跨终端视觉交互与离线推理，但传统Type-C转换芯片无法满足其硬件需求。国产芯片GSV5800应运而生，通过独立AI像素回传通道（延迟≤8ms）、集成DSC硬件压缩、65W PD快充及HDCP2.2加密，解决海外竞品带宽拥堵、高功耗（1.32W→0.8W）、兼容性差等痛点，适配iPhone/iPad

ACP广源盛13924625673
2026-06-23 00:15:00

 503

 11

#c语言 #音视频 #开发语言 +4
音频大模型分类、模型结构--更新中

本文系统梳理了当前主流音频大模型生态，按功能划分为五大类：通用语音大模型（如Qwen3-Audio、GPT-4o）、端到端对话模型（如Moshi、星火）、ASR语音识别（Whisper、FunAsr）、TTS语音合成（Cosyvoice3、讯飞TTS）及音乐生成（SunoAI、AudioCraft）。开源阵营以Qwen、Whisper等为代表，突出中文处理与本地化部署优势；闭源产品如GPT-4o、

weixin_39087379
2026-06-21 16:48:59

 402

 3

#音视频
Netflix首次开源AI视频模型，流媒体掀起AI竞赛

一个值得深思的问题是：Netflix为什么选择以Apache 2.0许可对全世界开放？这一策略与Netflix近期对InterPositive采取的完全收购形成鲜明对比。开源VOID，更像是Netflix仿效Meta等科技巨头的战略——通过释出强大的基础研究工具，在学术和开发者社群中建立声誉和影响力，实质上参与定义未来影视产业AI工具的技术标准。VOID作为一篇学术论文和开源项目的对象（值得注意的

 中國龍在廣州
2026-04-17 11:15:00

 413

 7

#人工智能 #开源 #音视频 +2