“pytorch” 相关开源项目

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。

面向 Stable Diffusion 等图像生成模型的训练、生成与工具脚本，支持 LoRA 与微调。

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

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。

基于 Gradio 的 Stable Diffusion 网页界面，支持多种新版图像与视频模型，延续 Forge 分支。

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。

腾讯混元开源的交互式游戏视频生成模型，可根据参考图和键鼠输入生成游戏画面视频。

Unity 开源工具包，可将游戏和仿真环境用于训练智能体，支持强化学习与模仿学习。

面向多模态模型的统一训练引擎，支持视觉语言、扩散及 MoE 等架构的分布式训练。

基于流式语音转写训练的视频大模型，可对视频内容进行实时解说，并提供 Gradio 与命令行演示。

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。

基于 PyTorch 的盲人脸修复模型，利用码本查找 Transformer 修复模糊、低质量或老旧的人脸图像。

一本强化学习入门小书，配套提供从 MC 到 PPO 各算法的 PyTorch 实现。

一个 Python 文档 AI 库，将版面分析、表格识别、OCR 与文档、token 分类整合为可配置的处理流水线。

跨平台桌面图像超分辨率工具，支持内置模型或自定义模型，覆盖 Windows、macOS 和 Linux。

基于 PyTorch 深度学习的开源 Python OCR 库，可识别 PDF 和图片中的文字。

一套带逐行注释的教程，用 Python 和 PyTorch 从零实现并训练类 LLaMA 风格的 GPT 语言模型。

通过单个 YAML 配置微调和后训练大模型的命令行工具，支持分层流式加载，可在 4 GB 显卡上训练 8B 模型。

一个本地优先的浏览器自动化引擎与 Agent Skill，用本地 Qwen3.5 模型从可见页面元素中选择操作。

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。