AI 视频工具分享 · 免费开源项目分析

阿里通义万相。MoE 架构，T2V-A14B / I2V-A14B / TI2V-5B 三档。中文提示词原生支持，ComfyUI 生态最厚，是本目录的默认推荐。

腾讯混元的轻量化分支，8B 级，主打「消费级显卡能跑」。画面上限仍在第一梯队，是中端卡跑大模型的主要路径。

13B DiT，开源时对标并超过同期闭源产品。皮肤、光影质感一流，代价是原生 45GB 显存起。

唯一认真做速度的一支。2B 档秒级出片，适合当"预览器"反复试 prompt；13B 档补画质。两段式工作流的另一半。

上一代但仍是低配首选：1.3B 版本 8GB 显存可跑（4090 上 5s 480P 约 4 分钟）。LoRA 与量化资源极为丰富。

不是单模型，是可复现的训练+推理全套栈（2.0 为 11B）。要私有化训自己的垂直模型，这是唯一有完整工程参考的项目。

24B 自回归，分块流式生成——可以做"边生成边播"的交互产品。未量化要 4×H100 级，量化后单卡 80G。

昆仑万维，扩散强迫（Diffusion Forcing）实现无限长度视频生成，14B。协议需逐条确认后才能商用。

6GB 显存跑 60 秒长视频，笔记本可用。基于 HunyuanVideo 改造，画质有让步，但门槛低到几乎没有。

阿里统一视频编辑/生成模型：局部重绘、换装、换背景、参考图生视频、姿态与深度控制。开源里"改视频"最实用的一个。

10B AsymmDiT，运动自然度与提示词跟随至今不落后。480P 是天花板，连训练代码都开源。

阶跃星辰，30B，开源里参数最大的 T2V 之一，少见的 MIT 协议。可惜要多卡才跑得动。

基于 Wan2.1-I2V-14B 的音频驱动模型，不限时长、音画同步精准，支持"单图驱动"和"原视频只改口型"。长口播的首选。

字节的潜空间唇形重绘，只改嘴、画面其余不动。1.5/1.6 版本是社区公认"嘴型最贴合"的一档，比 Wav2Lip 清晰得多。

NeurIPS 2025，同一画面多人轮流说话、各自对口型。双人访谈、播客可视化、群聊场景。

蚂蚁的音频驱动半身数字人，除口型外还生成手势与身体姿态。讲解类视频观感明显好于"只有头在动"。

快手，一张图 + 一段驱动视频 → 迁移表情、眼球、头部姿态，实时级。让照片活起来、给 AI 人像加真实微表情。

数字人克隆 + 离线生成工具链，含 Docker 服务与 Android/iOS SDK。少见的"能直接打包进 App/私有服务器"的工程方案。

经典低配方案，4GB 显存、速度极快，适合批量。但嘴部区域分辨率很低，1080P 素材上会明显发糊。

单图生成头部整体动画（头动+眨眼+嘴），比 Wav2Lip 自然。2024 年后停更，画面偏塑料感。

节点式推理引擎，视频生成的实际工作流 90% 跑在它上面。模型切换、LoRA、tile 放大、首尾帧插值、批处理队列全在图里连。

短剧/漫剧完整生产线：剧本 → 智能分镜 → 角色与场景资产 → 图像 → 视频。无限画布 + AI Agent + MCP，MIT 可商用。

短剧垂直工作台，剧本到结构化分镜再到成片，风格更贴"剧组流程"。Apache-2.0 商用友好。

给主题就出竖屏视频：文案 → 素材 → 配音 → 字幕 → 拼合。注意它不是生成模型，是素材库 + TTS + 剪辑自动化。

阿里 FunASR 底座，本地转录 + 热词 + LLM 辅助，按文本直接剪出片段。口播/访谈切片效率极高，全本地。

视频转字幕 → 翻译 → AI 配音 → 声音克隆 → 字幕烧录，全平台桌面工具，Whisper/FunASR 本地模型 + GPU 加速。

一键生成产品营销短视频，跨平台桌面端，AI 批量自动剪辑。带货矩阵、多账号批量产出。

译制一条龙：下载 → 转录 → 翻译（LLM 断句）→ 配音 → 对齐 → 字幕烧录。VideoLingo 偏质量、KrillinAI 偏一键出片，两者都是 Apache-2.0。

国产视频翻译/配音桌面工具，中文文档全、集成多家 TTS 与识别引擎，适合非技术用户批量处理。

Agentic 视频生成：导演、编剧、制片、生成器拆成多 Agent 协作。研究性质强，工程可用性待观察。

换脸 + 口型同步 + 人脸增强一体化，Web UI 与 CLI 都有。遮罩、区域限制、帧间一致性都做了，工程完成度极高。

通用超分与去噪，realesrgan-x4plus 系列是行业默认件。BSD-3 协议，商用极友好。

人脸修复，把模糊/崩坏的脸还原到可用水平。视频里必须配人脸掩膜融合，否则非人脸区域会被改花。

ICCV 2025 视频超分，时空增强 + T2V 模型先验，专治视频超分的闪烁与纹理丢失。

把超分 + 补帧打包成一条命令/一个 GUI，内置 Real-ESRGAN、RIFE 等多个后端，最适合"整段视频一把过"。

ProPainter 做视频擦除（去水印、去路人、去电线），时序一致；IOPaint 做图像修复与物体移除，可配合逐帧处理。

chaiNNer 是节点式图像处理流水线（超分/修复/批量），Upscayl 是一键放大 GUI。做素材预处理比写脚本省事。

阿里。3 秒参考音频克隆音色，流式合成首包约 150ms，中英日韩 + 方言/情感/语速指令控制。中文自然度第一梯队且真可商用。

B 站出品。情感与音色解耦，可以"用 A 的音色说 B 的情绪"，中文韵律和停顿最像真人。但明确禁止商用。

多语言 TTS + 克隆，13 种语言，有实时版本。代码 Apache-2.0 但权重是 CC-BY-NC，商用需单独买授权。

声音转换的事实标准：10 分钟素材就能训出音色，保留你的语气和情感。变声、配音换音色、翻唱都靠它。

ChatTTS 的中文口语感和停顿最自然（但音色不可控、AGPL）；F5-TTS 是 MIT 里质量最好的零样本克隆，中英双语。

开源音乐生成最强档之一：整首歌（分钟级）、人声+伴奏、中英文歌词。显存要求高，24GB 起。

快速音乐生成，秒级出 4 分钟曲子，支持歌词与风格控制。批量做无版权 BGM 的实用选择。

视频转音效：给一段无声视频，自动生成匹配的脚步、风声、碰撞声。CVPR 2025，MIT 可商用。

Meta 的 MusicGen / AudioGen 官方库，纯器乐与音效生成稳定，MIT 协议。单次 30 秒级片段。

UVR，人声/伴奏/鼓/贝斯分离的 GUI 工具，内置多种模型。做翻唱、提干净人声的标配。

腾讯的视频拟音模型，音画同步质量高，适合给成片补环境层。协议需确认后再商用。

SVDQuant 4-bit 量化官方实现。Wan2.2-A14B 的 fp16 权重 28GB → 约 7GB，从"必须 offload"变成"常驻显存"，速度提升 2–3 倍。

注意力用 INT8/FP8 算，其余保持高精度，端到端 2–5 倍。视频模型注意力占比 60%+，收益最大。ComfyUI 加 `--use-sage-attention`。

判断哪些去噪步可以跳过、直接复用上一步结果。1.5–2 倍加速，和其他加速手段可叠加。草稿开、终稿关。

统一推理 + 蒸馏 + 后训练框架。蒸馏模型 4–8 步出片，配合量化就能在消费卡上做到一分钟一条。

DiT 多卡并行引擎（序列并行 / 流水线 / CFG 并行）。单卡跑不动 24B–30B 时用两张以上卡把序列切开。

真正决定生产力的一层：Manager 装插件、VideoHelperSuite 读写视频、WanWrapper 做长视频拼接与 LoRA 组合、Frame-Interpolation 补帧。