「pytorch」に関するオープンソースプロジェクト

ZipVoiceベースの軽量な音声クローン対応TTSモデル。GPUで最大150倍速、48kHzの音声を生成します。

Stable Diffusionなどの画像生成モデル向けに、LoRAやファインチューニングを含む学習・生成・各種ユーティリティスクリプトを提供します。

82Mパラメーターのオープンウェイト音声合成モデル、Kokoro-82MのPython推論ライブラリ。

テキスト、画像、音声、キャラクターの動きから動画を生成する、MoE対応のオープンソース動画生成モデル群。

AUTOMATIC1111のWebUIを継承したForgeのフォークで、Stable Diffusionや新しい画像・動画モデルを実行するGradio製Web UI。

画像・動画・音声・3Dをローカル生成するためのノードグラフGUI、API、バックエンド。

Tencent Hunyuanのオープンソースモデル。参照画像とキーボードやマウスの入力から、操作可能なゲーム動画を生成します。

Unity製のオープンソースツールキット。ゲームやシミュレーションを強化学習・模倣学習の環境として活用できます。

FSDP2、Muon、Liger kernelsに対応し、vision-language・diffusion・MoEアーキテクチャを扱えるマルチモーダルモデル向けの統合学習エンジン。

ストリーミング音声文字起こしで学習し、動画にリアルタイムで解説を付ける動画LLM。GradioとCLIのデモを提供。

14BのWan2.2-S2Vをベースに、実質無制限の長さでストリーミング生成できる、音声駆動のリアルタイムアバター動画生成フレームワーク。

コードブック検索トランスフォーマーで劣化した顔写真を修復する、PyTorchベースの盲目的顔画像復元モデル。

強化学習を基礎から学べる短い入門書。MCからPPOまで、扱うアルゴリズムのPyTorch実装を収録。

レイアウト解析、表認識、OCR、文書・トークン分類を設定可能なパイプラインにまとめた文書AI向けPythonライブラリ。

内蔵モデルやカスタム超解像モデルで画像を拡大できる、Windows、macOS、Linux対応のデスクトップアプリ。

PyTorchベースの深層学習モデルでPDFや画像のテキストを検出・認識する、オープンソースのPython OCRライブラリ。

PythonとPyTorchでLLaMA系GPT言語モデルをゼロから構築・学習する、全12章のコメント付きチュートリアル。

単一のYAML設定でLLMをファインチューニング・追加学習するCLIツール。レイヤーストリーミングにより4 GB GPUで8Bモデルを学習可能。

Qwen3.5を端末上で実行し、ページ上の要素から操作を選ぶローカルファーストのブラウザー自動化エンジン兼Agent Skill。

80Mパラメータ構成の超軽量オンデバイス音声合成モデル。32kHzのストリーミング出力に対応し、CPU、CUDA、MPSで動作。