AI 视频与音频工具：2026 精选

基于节点图的扩散模型图形界面、API 与后端，可本地生成图像、视频、音频和 3D 内容。

开源工具，输入主题或关键词即可自动生成脚本、配音、素材、字幕与配乐，合成完整短视频。

开源、本地优先的 AI 设计代理工作区，借助编码代理制作原型、网站、演示文稿、图片和视频。

开源、完全本地运行的语音工作室，支持声音克隆、语音设计、视频配音、听写、转录和有声书制作。

开源的智能体视频制作系统，可将 AI 编程助手变成按流程运行的视频工作室，覆盖调研、脚本、素材生成到渲染。

开源的本地 AI 语音工作室，可克隆声音、生成语音、语音听写并为 AI 智能体提供声音输出。

可自托管的 AI 引擎，兼容 OpenAI 接口，可在 CPU 或各类 GPU 上运行大模型、视觉、语音、图像和视频模型。

基于 mpv 内核的现代化 macOS 视频与音乐播放器，界面采用原生 Swift 开发。

ArtCraft 是一款面向艺术家的桌面 IDE，可在 2D 与 3D 中搭建场景，再用 AI 生成图片和视频。

开源的本地优先 AI 会议助手，支持会议录制、实时转写和摘要生成，运行于 macOS 和 Windows。

一款 Windows 屏幕录制工具，可录制选定区域、摄像头或画板，并导出为 GIF、APNG、视频等格式。

让 AI 编程智能体把爆款视频克隆为可编辑、可重复运行的视频工作流，并可替换素材、字幕与插入画面。

基于 OpenAI Whisper 的桌面应用，可在本地离线转录和翻译音视频。

开源大规模视频生成模型，支持文生视频、图生视频、语音驱动视频和角色动画。

一个智能体技能，可将你刚做好的项目一键生成带配乐、动效和分享文案的短篇发布视频。

开源的多语言零样本语音合成模型，支持 600 多种语言，并提供声音克隆与声音设计。

面向手机、可穿戴设备、机器人和微控制器的 8-29 MB 端侧基础模型，支持工具调用、结构化抽取、向量嵌入和语音转文字。

基于 Gradio 的网页工具，集成 YouTube 下载、人声分离、Whisper 字幕、翻译与语音合成及声音克隆。

面向 Claude Code 和 Codex 的智能体技能，基于 Remotion 用你的截图和文案制作产品宣传短片。

YuE2 是一个开源音乐生成模型，根据歌词和风格提示先生成可编辑的旋律和和弦谱，再渲染成带人声的完整歌曲。

开源桌面应用，可从 1000 多个网站下载音视频，支持本地转录，并基于转录内容运行 AI 摘要与问答。

一个智能体技能，可生成随滚动播放的 3D 落地页，镜头穿行于连贯的 AI 生成等距场景之间。

Kokoro-82M 文本转语音模型的 Python 推理库，模型参数量为 8200 万。

一款开源浏览器插件，在网页原文旁显示双语翻译，并支持划词翻译与 AI 阅读辅助。

一款用纯 Rust 编写的开源动态图形与合成工具，操作方式参照 After Effects，支持关键帧、306 种效果和 Lottie 导入导出。

开源 Python 工具，可将网页、PDF、图片、YouTube 视频或主题转换为多语言的 AI 播客式音频对话。

开源的 StoryDiffusion 实现，用扩散模型生成角色一致的连环图和长视频。

开源跨平台桌面应用，输入提示词和视频素材，即可用 AI 生成文案、语音并自动剪辑短视频。

基于 zipvoice 的轻量级文本转语音模型，支持声音克隆，GPU 上可达 150 倍实时速度。

开源 AI 短视频与漫剧创作平台，从主题或剧本生成分镜、图片、视频并合成成片。

基于 yt-dlp 的桌面 YouTube 下载工具，使用 PySide6 图形界面，支持视频、音频和字幕下载。

一个 AI Skill，可将 SRT 字幕转为暖米黄纸底的手绘白板动画 MP4。

免费开源的桌面录屏与编辑工具，可将录制内容加工成精致的产品演示视频。

帮助 AI 助手为字节跳动 Seedance 2.0 视频生成模型撰写提示词的 Agent 技能文件。

让 AI Agent 通过自然语言自动操作国内版剪映专业版，完成配音、字幕、配乐与导出。

一款免费的 macOS 提词器，随语音逐词高亮脚本，以灵动岛式浮层显示。

开源的 AI 社交媒体智能体，覆盖热点发现、内容创作、多平台发布与效果复盘，支持小红书、抖音、B 站等平台。

一款 AI 视频剪辑智能体，通过自然语言指令完成规划与剪辑，并支持可复用的风格技能。

一个 Agent Skill，用 AI 生成连续动作，并把它接入网页的滚动、鼠标、拖动和触摸交互。

Skywork AI 开源的交互式世界模型，在可执行游戏引擎之上用因果视频模型逐帧渲染可操作的游戏画面。

开源的实时音频驱动数字人视频生成框架，支持无限时长流式输出，基于 14B 参数的 Wan2.2-S2V 模型。

收录 419 个预训练 AI 模型，覆盖视觉、语音、NLP 与大模型，均可通过统一命令行运行。

一款完全在浏览器中运行的多轨视频编辑器，支持本地媒体处理、关键帧动画和基于 WebCodecs 的导出。

一套 AI Skill，输入话题即可生成火柴人动画的脚本、分镜与视频提示词。

一个 Claude Code 技能，可下载 YouTube 视频，按语义生成章节并剪辑片段，还能将双语字幕烧录进视频。

通过让 LLM 智能体编写可执行的 Manim 代码来生成教学视频，而非直接生成像素画面。

为编程智能体提供 42 个本地 FFmpeg 视频工具，支持剪辑、字幕、比例重构、响度和平台导出。

兼容 Manim CE API 的 Python 动画引擎，用 Rust 与 wgpu 渲染 2D/3D 数学视频。

开源的本地音频与音乐创作工作室，支持 macOS 和 Windows，可完全离线运行语音合成、声音克隆和 AI 歌曲生成。

超轻量端侧文本转语音模型，80M 参数，支持流式输出，32kHz 音质，可在 CPU、CUDA 和 MPS 上运行。

开源、本地优先的 AI 语音听写应用，支持 macOS 和 Windows，可根据当前应用调整文本格式。

面向 AI 时代的桌面视频创作工作台，在自由画布中连接创意、模型与素材，并与 Agent 协作。

开源的 macOS/Windows AI 助手，悬浮于屏幕之上，可听取会议音频，并尽量对屏幕共享隐藏，使用自备 API Key。

面向双语会议的实时双向语音翻译应用，支持云端服务或完全离线的本地推理，适用于桌面端和 Chrome/Edge 浏览器。

借助 Claude 用 p5.js 和 p5.brush 制作手绘风卡通角色动画的入门套件。

一门实战课程，教你用 FastRTC、Superlinked、Twilio 等构建可接打电话的 AI 语音客服中心。

面向 Claude Code 与 Codex 的视频处理 skill，提供分镜拆解、分镜同步播放和元数据清除，基于 ffmpeg。

非官方命令行工具，直接读写本地剪映/CapCut草稿，无需 API 或服务端。

面向中国小学生的免费开源学习平台，覆盖数学、语文、英语、科学的单元小测与课文听读。

开源的本地优先浏览器视频编辑器，结合多轨时间线与本地 AI 配音、字幕、音乐和修复功能。