gabecodez/sightai：用 AI 帮助视障人士识别场景的开源工具
GitHub 项目 gabecodez/sightai 是一款借助人工智能帮助视障人士识别场景的工具，定位为在其他无障碍工具不可用时提供补充。项目基于 Flutter 构建，代码目录覆盖 android、ios、linux、macos、web、windows 多平台，并集成 Firebase，目前获 1 颗 star。
#多模态
GitHubAI 评分1010 GitHubAI 评分1818 openOii：用 AI 智能体生成漫画剧的开源平台
openOii 是一个用 AI 智能体生成漫画剧的平台，支持多智能体协作、AI 故事生成、拖拽式分镜和多种格式导出。软件支持 Windows 10+、macOS 10.15+ 及现代 Linux 发行版，最低 8GB 内存、2GB 磁盘空间，部分 AI 功能需联网。项目已在 GitHub 开源并接受社区贡献。
Hacker NewsAI 评分6262 DigUp 发布 Mac 本地文件搜索工具，基于 Google DeepMind 的 EmbeddingGemma 2
DigUp 发布 Mac 本地文件搜索工具，基于 Google DeepMind 2026 年 10 月发布的多模态嵌入模型 EmbeddingGemma 2，用自然语言描述即可按内容检索图片、PDF、文档、音视频和代码。
Hacker NewsAI 评分5858 Cloudflare 发布 Clef-Omni，为决策模型加入音频与视频输入
Cloudflare 于 10 月 9 日发布 Clef-Omni，在文本和图像之外新增音频与视频输入，可在一次 API 调用中直接返回结构化决策，省去单独的转写和媒体处理步骤。
GitHubAI 评分3636 Lumen：自托管多模态 AI 创作工作台
Lumen 是一个自托管的多模态 AI 创作工作台，将聊天、视觉问答、文生图、图生图、视频生成、Storyboard、资产流、分享、Telegram Bot、Provider 管理和计费整合进同一套私有部署。
GitHubAI 评分2222 Nomi：自带 API key 的 AI 饮食记录 Android 应用
Nomi 是一款 Android 饮食记录应用，需用户自备 AI 提供商 API key，推荐 Exa + Gemini 组合，由 Exa 检索网络证据、Gemini 解析为结构化营养数据。
GitHubAI 评分3636 Kallo：用自然语言记录越南家常菜的 AI 饮食追踪工具
Kallo 是一款用自然语言描述即可记录饮食的 AI 工具，通过"先分解、再匹配"的两步 AI 流程，将一句话拆解为食材、重量与宏量营养素，并对照 FAO 与 USDA 食物数据。
GitHubAI 评分1212 Sree AI 多模态 AI SaaS 平台：支持 102+ 模型与 Gemini Live 实时语音
Sree AI 是一个全栈多模态 AI SaaS 平台，支持 NVIDIA NIM、Google Gemini、Groq、Deepgram 多提供商路由，可在 102+ 模型间切换，包括 Gemini 3.8 Flash、DeepSeek V4 Pro、Kimi K3 等。
GitHubAI 评分1010 X-DREAMER（原 XMAN AI Studio）聚合 9 家 AI 供应商与 40+ 模型的生成平台
X-DREAMER（原 XMAN AI Studio）是一个聚合 9 家 AI 供应商、40+ 模型的 AI 生成平台，覆盖图像、视频、编辑与音频，采用统一积分计费与账号池轮换。
GitHubAI 评分2222 igslop：用 Gemini 2.5 Flash 给 Instagram 轮播图打分，判定海报还是垃圾
igslop 上线，用户上传一张 Instagram 轮播图即可得到 POSTER、NEWSPAPER 或 SLOP 的判定，以及 0-100 分和 focal、hierarchy、space、restraint、color、type 六个维度的评分。
RadarAIAI 评分2323 ElevenLabs 支持在提示词中用 @ 标记品牌 kit
ElevenLabs 上线品牌标记功能，用户在 Image & Video、Flows 或 agent 的提示词中输入 @ 即可标记自己的 kit，素材和规则会直接塑造生成结果。用户还可以让 agent 代为编辑 kit。
GitHubAI 评分6262 WAIvePulse 发布本地 AI 音乐工作室，五页工具覆盖写词到混音
WAIvePulse 是一个在本地 GPU 上运行的开源 AI 音乐工作室，把写词、生成、混音、循环编曲和卡拉OK 五个页面串在一个浏览器里。歌词由本地 Ollama 上的 Llama 3.1 生成，HeartMuLa 3B 模型把歌词和标签合成带人声的 MP3，Demucs 再把成品拆成六条分轨进入 DAW 式混音台。
RadarAIAI 评分4545 Tripo 游戏资产管线升级：覆盖 Quad Mesh 到动画全流程
Tripo 宣布其游戏资产管线取得重大进展，新流程覆盖 Quad Mesh、编辑、UV、贴图、绑定、动画六个环节，目标是用一个工具处理整个游戏资产管线。
GitHubAI 评分3838 genfeed.ai：开源内容智能体，生成品牌视频、图片与帖子并审核发布
genfeedai/genfeed.ai 是一个开源内容智能体，可创建符合品牌调性的视频、图片和帖子，并完成审核与发布。该工具将内容生成与发布流程整合在同一智能体中，目前以开源形式提供。
GitHubAI 评分2222 Flash Summary：把东南大学录播课与 B 站视频转成结构化笔记的 Windows 本地应用
Flash Summary 是一款本地优先的 Windows 桌面应用，可用 SEU CAS 账号登录或导入 B 站视频，将课程视频自动加工成多模态结构化笔记并支持阅读中追问。
Hacker NewsAI 评分6666 Google 向全球英文用户开放 SynthID Detector
Google 将 SynthID Detector 从面向媒体从业者的早期版本扩展至全球所有英文用户，可检测图片、视频或音频是否由 Google 及其合作伙伴的 AI 生成。
GitHubAI 评分1212 RoboBill：基于 Gemini 1.5 Flash 的 AI 发票分析工具
RoboBill 是一款 AI 发票分析工具，用户上传 JPG/PNG 发票图片并用自然语言提问，即可由 Gemini 1.5 Flash 多模态能力即时提取明细项、总额、日期和供应商信息。项目由 Swagata Banerjee 构建，采用 Streamlit 前端与 Python 3.9+，需配置 Google AI Studio API key，以 MIT 协议开源。
GitHubAI 评分2222 EU Parliament Monitor：AI 驱动的欧洲议会政治情报平台
EU Parliament Monitor 将欧洲议会开放数据转化为 14 种语言的 AI 生成新闻，每篇文章基于 51 项结构化分析产物并附来源链接。平台由 14 个 gh-aw 智能体工作流加 1 个翻译工作流自动运行，通过欧洲议会 MCP 的 60+ 工具生成分析并提交待人工审核的 PR。所有方法论、模板与分析树均公开，供读者核验文章背后的推理过程。
GitHubAI 评分2020 UnicornApps：面向海湾电商卖家的 AI 商品文案生成引擎
UnicornApps 是一款面向电商卖家的 AI 内容引擎，拍摄商品照片即可在数秒内生成阿拉伯语（RTL）与英语双语商品标题、描述和社交文案，针对 Noon、Amazon.ae、Shopify 等海湾地区电商平台优化。
GitHubAI 评分5858 L0 发布 reliable-ai-streams：为 AI 流式输出加可靠性层
L0 发布 TypeScript 库 reliable-ai-streams，为 AI 流式输出提供重试、模型回退、断点续传、护栏与确定性重放等可靠性能力，兼容 OpenAI、Vercel AI SDK 和 Mastra AI，并提供 Python 版本。
RadarAIAI 评分3434 可灵 4.0 三项创意实测：超现实场景如何拍出真实感
韩国视觉创作者 서오키 用三项创意实验测试可灵 4.0，分别考察 Omni Reference、风格转换与角色一致性。她重点验证静态图像转视频后，人物表情、服装与 1990 年代电影质感能否保持一致，以及巨型鸭子等超现实元素能否自然融入同一空间，而非像后期合成的 CG。
GitHubAI 评分1818 Pawse：面向猫护理的多智能体助手，支持德语兽医沟通脚本
Pawse 是一个多智能体猫护理助手，支持英语、中文、德语和印地语输入，可上传照片与录音，并检索附近兽医诊所。系统用 Gemini 适配器做护理指导、音频理解与翻译，用 Gradium 适配器生成德语脚本与克隆语音，诊所排序基于营业状态、距离和评分。
GitHubAI 评分1212 mvggt：简化多视角 3D 指代表达分割
mvggt 是一个用于多视角 3D 指代表达分割的开源工具，代码托管于 GitHub 的 XpiderService/mvggt 仓库，采用 MIT 许可证。该工具提供多模态支持、可调参数和图形界面，支持 Windows 10 及以上、macOS Catalina 及以上和 Linux，建议至少 4 GB 内存、500 MB 磁盘空间及 1 GB VRAM 的显卡。
GitHubAI 评分2020 Music from Drawings Pro：用 Gemini API 把画作变成音乐
Music from Drawings Pro 是一款桌面应用，可上传画作并借助 Gemini API 生成音乐，技术栈为 FastAPI、React 和 MongoDB。它支持 Windows 10 及以上与 macOS Sierra 及以上，需 4 GB 内存和 200 MB 磁盘空间，上传图片须小于 10 MB，采用 MIT 许可证。
GitHubAI 评分3838 Goblin：面向 Claude 的媒体分析流水线，提取关键帧与带时间戳转录
Goblin 是一个面向 Claude 的媒体分析流水线，输入本地视频、音频文件或 YouTube URL，即可提取场景切换关键帧和带时间戳转录，并生成结构化的 MANIFEST 目录供 Claude 与剪辑工具直接消费。
GitHubAI 评分3838 autoshorts：AI 辅助选段的长视频转短视频工具
开源项目 autoshorts 可将长视频自动剪辑为短视频，支持 AI 选段、GPU 渲染、样式字幕与可选配音。它提供 15 种内容预设，分析可选 Gemini（含全片深度分析）、OpenAI vision 或本地启发式，转写用 Whisper，配音用本地 Qwen3-TTS，渲染依赖 CUDA 与 NVENC。
GitHubAI 评分88 Janavani：面向印度公民的隐私优先治理生态系统 v2.1
netzen-abm/janavani 发布公民治理生态系统 Janavani v2.1，定位为隐私优先、安全优先、能力导向的平台，覆盖 Web、Android、iOS、Telegram Bot 与 Mini App、WhatsApp、Messenger、公共 API 及 DApp/Web3 等独立入口。
RadarAIAI 评分3838 蚂蚁 inclusionAI 发布 PolyOCR-Venus：2B/9B 统一 OCR 基础模型
蚂蚁 inclusionAI 开源 PolyOCR-Venus 系列 OCR 基础模型，含 2B 和 9B 两个版本，基于 Qwen3.5 视觉语言骨干，统一支持文本识别、定位、文档解析、信息抽取与 OCR 推理。
GitHubAI 评分6666 ArtCraft 发布面向艺术家的 AI 图像与视频创作 IDE
ArtCraft 发布，定位为交互式 AI 图像与视频创作的 IDE，支持在 2D 中构图、在 3D 中搭建场景，并自行选择模型。它提供图像转 3D 网格、角色姿态、场景遮挡、角色身份迁移、背景移除等创作工具，以及文生图、提示词图像编辑、画布编辑和图像转视频等提示词功能。
RadarAIAI 评分5858 Cloudflare 推出开放权重决策模型 Clef-omni，新增音频和视频输入
Cloudflare 于 10 月 9 日发布开放权重决策模型 Clef-omni，在 Clef 系列基础上新增音频和完整视频输入，支持 wav、mp3、mp4 和 webm 格式，可单次 API 调用处理文本、图像、音频和视频，模型权重已在 Hugging Face 开放。
Hacker NewsAI 评分2525 Kenerate 发布：一个工作区整合 AI 图像、视频与音乐模型
Kenerate 是一个 AI 创作工作区，可在同一平台生成图像、视频、音乐和配音，并接入 Seedance、Kling、Wan、MiniMax、Nano Banana、GPT Image、Suno 等模型，统一使用一份积分余额。其 AI Agent 可从需求描述直接规划并交付成品，免费注册即送试用积分，付费套餐 Lite 每月 9.99 美元含 3,000 积分。
RadarAIAI 评分3434 Opus 5.5 与 Codex 协同：高效视频可视化方案
一种跨模型协同的视频可视化流程被演示：先用 Claude Opus 5.5 分析视频并生成高精度关键帧，再由 Codex 将这些数据整合进可视化代码，用于量子校准实验的视频可视化。该流程避免了直接读取大分辨率视频，在保持高精度的同时显著提升处理效率。
GitHubAI 评分5858 fal-worldclaw 发布：用一句话生成可漫游 3D 世界
fal-worldclaw 是一个桌面应用，输入一句描述即可生成可自由漫游的 3D 世界，支持鼠标键盘移动、飞行和场景编辑。它是腾讯混元3D团队 WorldClaw 研究项目的浏览器端复现，通过 fal.ai 云端模型依次生成地形、纹理、物体与光照，使用 Next.js 16 和 three.js r182 构建。
GitHubAI 评分2020 example-multimodal-rag：用 Gemini Embedding 2 与 Supabase 搭建多模态 RAG 搜索
GitHub 项目 example-multimodal-rag 提供了一套可在 Windows 本地运行的多模态 RAG 搜索工具，支持在文本、图片和视频中统一检索。
GitHubAI 评分2020 subtitle-translator：用 Gemini AI 翻译 SRT 字幕，支持 20+ 语言
开源桌面应用 subtitle-translator 可借助 Google Gemini AI 将 SRT 字幕文件翻译成 20 多种语言，并实时预览译文。该工具支持 Windows 10 及以上、macOS Mojave 及以上系统，需 4 GB 以上内存和联网，单次处理一个不超过 50 MB 的文件，目前仅提供桌面版。
RadarAIAI 评分2424 Opus 5.5 单一 Prompt 自动构建 OpenAI 论文视频演示
Opus 5.5 仅凭一条 Prompt 和 OpenAI 论文页面 URL，自动合成了 92 秒动态图形解说视频。该多模态模型能快速从非结构化文档中提炼逻辑、自动进行视觉分镜，并在极短时间内自主产出高视听品质的解说短片。
RadarAIAI 评分4040 X 平台开放 Grok Bot 图像与 Meme 追溯新特性
X 推出 X Scan 新功能，用户可提供图片或视频单帧，由 Grok 自主追溯 Meme 源头及相关分类推文。该功能可分析图像与视频单帧，并支持按指令过滤，例如筛选出"所有用此图的 AI 推文"。
Hacker NewsAI 评分3434 灯泡计算机：用投影与计算机视觉替代智能眼镜的交互设想
设计师提出 Lightbulb Computer 概念设备，将投影仪与计算机视觉结合成灯泡形态，可拧入任意 Edison 灯座或装入便携灯座，通过语音指令、指向识别和视觉分析在真实空间投射信息。
RadarAIAI 评分1515 PixVerse 与 OpenAI 合作推出 Prompt to Production 教育计划
PixVerse 与 OpenAI 联合推出 "Prompt to Production" 教育计划，通过两场线上研讨会和持续视频系列，展示如何将 OpenAI 前沿模型与 PixVerse 多模态生成工具结合用于创作流程。
RadarAIAI 评分3333 Kling 4.0 实战测评：韩国创作者测试人物表演、多图转场与风格转换
韩国视觉创作者서오키（@oasis.seo.ai）对 Kling 4.0 完成三组实测，覆盖人物表演与角色稳定性、三张图片连续转场、实拍与卡通反复切换。她认为 Kling 4.0 能自然衔接视线、表情和手势，多图连接时原图风格与氛围基本保留，实拍与卡通切换无明显割裂，降低了反复生成和后期修补的成本。