音视频标签_龙虾开发者社区

音视频

【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手（高级篇）

这是一个 AI 驱动的播客创作助手，专注于从文字/视频/音频内容识别到播客制作的全流程。你可以用自然语言与它对话，也可以上传视频和音频，它会理解意图、调用相应的语音合成工具，把他们变成真实的播客音频。

京东云开发者
2026-08-17 11:18:42

 560

 4

#人工智能 #音视频 #状态模式
使用ffmpeg+python实现自动给视频添加移动水印

使用ffmpeg+python实现自动给视频添加移动水印

 神秘剑客_CN
2026-03-31 10:56:31

 326

 9

#python #音视频
Minimax Music开源，配套神器已开源，继AI视频自由后，AI音乐也自由了！

摘要： MiniMax-Music3开源音乐模型正式发布，支持本地生成5分钟带人声的完整歌曲（含中文/日文），效果达开源领域顶级水平。配合T8更新的ComfyUI V18整合包，用户可一键部署，无需配置环境。教程涵盖模型下载、安装步骤及核心玩法：需结构化提示词（流派/BPM/乐器等）和分段歌词输入，推荐使用官方Skill生成描述。硬件要求24GB显存（RTX4090），实测3分钟歌曲生成约219秒

 apple_69265885
2026-08-15 16:29:43

 918

 31

#开源软件 #开源 #音视频
Python 调用 FFmpeg 处理音视频文件的几种方式及踩坑记录

本文总结了Python调用FFmpeg处理音视频的最佳实践：1. 推荐使用subprocess.run进行任务调用，设置timeout参数避免卡死；2. 通过-progress参数和管道可实时获取处理进度；3. 结合pathlib实现批量文件处理；4. 列举了常见问题解决方案，包括PATH检测、文件占用检查、中文路径处理等。核心要点是合理使用subprocess模块配合pathlib，注意处理超时

 qq_42215257
2026-07-25 19:49:41

 309

 3

#python #音视频
利用Python 实现监控视频帧提取 + 可疑画面简单筛选

结合本科人工智能专业学到的 Python 计算机视觉知识，用 OpenCV 库写了一款极简的监控视频智能筛查小脚本。日常办案里，民警常常要面对几小时甚至一整天的监控录像，纯人工逐倍速翻看、找暗处可疑画面效率很低。于是我从最基础的画面亮度甄别入手，做了这个简易工具：不用人工全程看视频，程序自动把视频里所有偏暗的画面全部截图保存，快速锁定夜间、背光、隐蔽角落的画面，是实战视频研判最基础的预处理思路，也

 田家辉123
2026-08-07 11:27:32

 446

 21

#音视频
Python结合FFmpeg实现批量提取视频音频

在日常开发或音频处理场景中，我们经常需要本文介绍一种的通用方案，。

qq360737395
2026-04-01 01:43:22

 52

#python #音视频
【Video Agent 04】（NeurIPS 2025）Deep Video Discovery: Agentic Search with Tool Use for Long-form VU

本文介绍NeurIPS2025提出的Deep Video Discovery（DVD）智能体，用于解决长视频理解中的时空复杂性挑战。该方法将长视频分割为多粒度数据库，并设计三种搜索工具（Global Browse、Clip Search、Frame Inspect），使智能体能自主规划搜索策略。实验表明，DVD在LVBench上达到74.2%的准确率（结合转录后76.0%），显著优于现有方法。该工

 若叶€枫璨
2026-03-07 23:18:33

 714

 11

#论文阅读 #音视频 #多模态 +1
Python 视频自动化剪辑原理与实战：从脚本化处理到批量生产

视频自动化剪辑，本质是：通过脚本程序，批量控制视频的裁剪、拼接、加水印、分段、变速、加字幕等操作。核心优势：✅ 批量处理（上百个视频自动执行）✅ 可重复执行（流程标准化）✅ 可集成进工作流（如内容生产系统）✅ 可定制规则（随机化逻辑）知识课程分段批量添加统一片头自动插入角标视频尺寸统一批量生成短片段视频自动化剪辑的核心在于：用脚本替代重复操作，用规则替代人工判断。Python 负责控制逻辑，ffm

Seandix
2026-02-28 23:18:19

 617

 13

#python #音视频 #自动化
Python自动化实现视频截图：从视频中提取关键帧一键搞定

定点截图- 从指定时间点截取单帧，适合提取特定画面等间隔截图- 按固定时间间隔批量截图，适合视频预览或缩略图智能场景检测- 自动识别场景切换，只截取关键帧片段截取- 提取视频中的特定片段用于二次编辑整个方案基于OpenCV实现，性能稳定、扩展性好。根据实际需求灵活组合使用，可以大大提高视频处理效率。动手试试，有问题欢迎评论区交流！

weixin_44118318
2026-04-21 08:46:43

 77

#python #自动化 #音视频
新技术分享：ComfyUi+MinimaxH3视频模型从部署到生产(五)

ComfyUi+MinimaxH3视频模型从部署到生产的系列文章到这里就全部结束了。我们总共用了5章的内容，对MinimaxH3视频模型做了一个完整的介绍和学习。模型的下载、模型的部署、插件的安装、工作流的搭建、提示词Skill的安装，提示词和工作流的具体使用，整个流程我们都进行了详细的说明。

水杯不满
2026-08-15 10:09:11

 316

 5

#音视频
【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手（进阶篇）

这是一个AI 驱动的音频内容创作助手。你可以用自然语言与它对话，它会理解意图、调用相应的语音合成工具，把文字变成真实的播客音频，并保存在本地。关于项目的详细介绍见第一篇文章：第一个 AI Agent 项目：从零搭建 AI 音频创作助手（入门篇)这篇文章更多介绍进阶篇添加的功能。

京东云开发者
2026-08-14 11:50:25

 427

 5

#人工智能 #音视频 #状态模式
【全栈实践】第一个 AI Agent 项目：从零搭建 AI 音频创作助手（入门篇）

这个项目让我第一次把前端、后端、AI Agent 三块内容独立串联起来。技术选型上每一块都是当下主流的方案，实际跑通整条链路之后对"全栈"有了更具体的感受。框架版本要锁定：LangChain 这类快速迭代的框架，版本差异带来的问题远比你想象的多先跑通链路，再追求完美：新手阶段能把用户输入 → AI 处理 → 结果展示这条链跑通，比深入某个技术点更有价值多看官方文档：相比博客和教程，官方文档更新及时

 京东云开发者
2026-08-13 17:49:00

 503

 5

#人工智能 #音视频
外网爆火！宝藏级MiniMax H3视频提示词仓库+详细教程【附完整提示词Skill】

这篇文章整理了一个开源提示词仓库 Awesome MiniMax H3，专门收集 MiniMax H3 / Hailuo AI 在 X 上流传的高质量视频案例，并把视频、原始提示词、中文对照与可复用写法整理在一起。如果你也遇到过这种情况：别人随手一条提示词就能生成电影感镜头、真实街拍、情景喜剧和节拍卡点短片，而你生成出来总是动作断、镜头乱、角色漂，那么问题很可能不只是模型，而是提示词没有把“时间、

Zero Lu
2026-08-13 16:39:54

 690

 5

#音视频 #AIGC #人工智能 +1
开源 AI Agent 一大堆，凭什么这个一夜拿下 2k star？拆开源码，我看到了架构答案

GitHub Trending 1200+ 星的开源项目 vox-director，拆开了一个反直觉的判断：AI 视频做不出 Vox 那种编辑质感，不是模型的锅，而是大多数人把顺序搞反了——先想动，再补图。本文拆解它怎么用「先有拼贴海报、后加动效」的架构做出一条 Vox 风格成片：六段管线由一份 beats.json 贯穿，A/B/C 三种输入模态复用同一套引擎，模型 ID 动态拉取、每段可独立替

 瓶盖
2026-08-11 17:14:49

 255

 7

#人工智能 #音视频
把任意图片变成台风眼，我做了个气旋化 Skill

台风天宅家灵感：三步打造"气旋化"图片艺术本文介绍了一个有趣的AI图片处理玩法——将普通图片分三阶段转化为气旋风格的艺术作品。30%阶段保留原图特征但开始螺旋化，60%阶段主体融入云系，100%阶段则完全转变为台风卫星图效果。与直接套滤镜不同，这种方法强调视觉DNA的延续性，通过锁定中心、流向等要素，确保图片变化具有连贯叙事感。作者还开发了迷幻色调选项，并提醒用户注意台风天安全，建议在家尝试这个

 weixin_58856824
2026-08-11 09:53:56

 401

 10

#人工智能 #数据库 #音视频
Game over！视频GPT-4o时刻！字节Seedance 2.0引爆全球

它支持同时输入文本、图像（最多 9 张）、视频（最多 3 段，总时长 ≤15 秒）、音频（最多 3 段，总时长 ≤15 秒），总计最多 12 个资产作为参考，一键生成 1080p 甚至更高分辨率的影视级视频，带原生对话、音效、音乐和唇音同步。Seedance 系列，此前 1.0/1.5 版本已在多镜头叙事、语义理解和提示遵循上表现出色，而 2.0 版实现了质的飞跃，被内部称为真正可控的多模态AI视

 SuaniCommunity
2026-02-11 13:21:34

 522

 5

#音视频 #人工智能 #百度
【全模态】音视频理解模型Audio-Visual Flamingo

给出了一套比较完整的长视频 Omni 模型训练 recipe：AV-Skills 数据 → Short → Long → Timestamp CoT → GRPOAV-Flamingo 是一个面向长视频 Audio-Visual 理解的开源 7B 模型，核心贡献不是新 Backbone，而是 AV-Skills 大规模音视频数据、Short→Long 课程训练，以及带时间戳的 TAVIT CoT

山顶夕景
2026-08-08 12:00:01

 509

 11

#音视频
如何用 Agent Skill 构建一套可编辑、可验证的 AI 视频生产流水线

摘要 Timeline Studio是一个本地优先的开源AI视频编辑工具，通过edit-timeline-studio技能实现从自然语言需求到最终成片的自动化流程。其主要特点包括：全流程自动化：支持素材分析、剪辑规划、字幕配音、时间线修改和结果验证的一站式处理结构化编辑：采用声明式编辑计划和事务性操作，确保修改可靠性和幂等性工程文件交付：输出可继续编辑的.timeline工程文件，包含结构化

 baidu_19714719
2026-08-07 16:24:42

 826

 8

#人工智能 #音视频
外网爆火！最强Seedance 2.5 提示词GitHub仓库来袭，手把手教你拍大片！（附提示词Skill）

本文为您深度解析目前在 GitHub 上爆火的最强 AI 视频提示词开源仓库——Awesome Seedance 2.5。针对许多 AI 视频创作者面临的“画面像廉价网游、缺乏真实感”等痛点，文章不仅精选并汉化了涵盖电影级质感、商业广告、UGC社媒等 7 大核心风格的高保真提示词案例，还独家分享了针对 30 秒长视频的高阶“带时间戳的万能提示词生成器（Meta-Prompt）”。通过掌握这些顶级的

 Zero Lu
2026-08-07 11:58:05

 351

 7

#人工智能 #AIGC #音视频 +1
面试录音视频的AI复盘方案：从语音转录到RAG问答的技术实践

本文面向技术面试复盘场景，解析了从音频转录到AI分析的完整技术路径（ASR→分角色标注→结构化问答→改进建议生成）。实测对比了五种方案：百度网盘GenFlow提供简历、证件照、模拟面试与复盘的一站式Agent流水线，且具备ISO安全认证；Reflct支持视频多模态分析；TechSpar聚焦技术面试长期记忆追踪；HireSight自动化音频分析；Interview Analyzer Skill为轻量

 MindUp
2026-08-06 00:27:14

 317

 5

#面试 #音视频 #人工智能
重大升级：安装一个 Skill，让 AI 在一杯咖啡时间内自动剪出成片，并保留可编辑工程

Timeline Studio v0.9.1 带来重大升级：通过安装AI视频剪辑技能，用户只需提供素材或网址，AI就能在一杯咖啡时间内自动完成全流程视频制作，包括内容分析、脚本规划、配音、字幕和镜头剪辑，最终输出成品视频和可编辑工程文件。该系统突破传统模板化剪辑，能智能识别不同内容类型（如产品宣传、教程演示等），采用专业视觉引导技术，并优先保证配音自然流畅。特别针对网站宣传视频优化了真实交互体验，

baidu_19714719
2026-08-05 19:26:45

 584

 21

#人工智能 #github #音视频
claude-video 实战教程：如何让 Claude 看懂任意视频

claude-video 是开发者 bradautomates 发布的开源 Agent Skill，2026 年上线后迅速成为 GitHub Trending Python 榜单本周涨星最快的项目（单周新增 7800+ 星），核心能力是让 Claude 具备"观看"视频的能力——通过下载视频、抽取关键帧、生成时间戳转录文本，再把这些素材交给 Claude 逐帧阅读，从而基于画面和音频给出有依据的回

 七牛云行业应用
2026-07-13 10:30:11

 469

 8

#音视频 #github
GitHub今日热榜 | 2026-07-07：WiFi感知和视频分析进入榜单

AI工具榜单大洗牌：技能类项目持续霸榜，硬件应用新秀突围 GitHub趋势榜今日迎来大幅变动，4个新项目冲入前十。技能与Agent工具仍占主导（5席），其中Google工程总监Addy Osmani开源的agent-skills以7万星位居第二，提供AI编程全流程技能。硬件相关项目表现亮眼：WiFi空间感知工具RuView（Rust开发）凭借77k星空降第四，而视频分析工具claude-video

m0_68631449
2026-07-07 10:03:52

 1.6w

 24

#github #音视频 #开源 +1
Codex剪辑教程，2026年剪辑自动化工作流，5款对比横评

Codex剪辑教程的核心在于让Agent真正调用剪辑工具完成批处理。本文以鲸剪WhaleClip的视频剪辑SKILLS为主线，拆解配置流程与5款工具的工程化适配差异。

大拿爱科技
2026-07-05 15:30:35

 358

 2

#自动化 #运维 #AIGC +2
【7/3】热门skill清单：开源的AI记忆平台、自建知识图谱、网页操作、AI剪视频、PPT和UI设计

这一周捋下来我的感受是，AI Skill 这块正在从「比谁功能多」进入「比谁记得住、编排得好、还安全」的阶段。⭐我会接着盯这块，有新的信号再来跟你唠。

AI产品库
2026-07-03 23:59:55

 343

 6

#开源 #人工智能 #音视频
让 Agent 成为音视频工作台：AI MediaKit CLI + Skill 发

从一句话，到一条可交付视频

 火山引擎视频与边缘
2026-07-03 16:03:38

 472

 5

#音视频 #人工智能 #火山引擎
从帧采样到硬件加速视频眼：RNOISE Video Vision 的 GPU/NPU 多模态视频理解工程实践

RNOISE Video Vision 是一个开源项目，旨在为AI Agent提供本地硬件加速的视频理解能力。它通过构建一条可审计的视频理解管线，让Agent能够分析本地视频并生成结构化报告。项目采用分层架构，包含视频元数据提取、时序窗口分割、物体检测、OCR文本识别、动作识别等功能模块，并支持根据硬件能力动态选择计算路径。其设计强调证据化、本地化处理、隐私保护和可扩展性，避免简单抽帧+大模型描述

 梦帮科技
2026-07-02 22:35:49

 551

 6

#音视频 #python #人工智能 +4
5分钟文生视频ai软件生成？5款文生视频实测横评

5分钟文生视频ai软件生成，本文实测5款主流工具在提示词解析、本地部署、批量流水线上的差异。鲸剪 WhaleClip 支持 Windows/macOS 客户端与 CLI Skills，适合从文案到成片的工程化工作流。

大拿爱科技
2026-07-02 15:24:27

 288

 6

#人工智能 #音视频 #AIGC +2
直播回放切片怎么做，2026年长视频拆分，5款横评实测

直播回放切片是长视频拆条核心场景。本文横评5款工具，鲸剪WhaleClip凭借CLI Skills与自动化流水线，在中文口播批量切片中表现优异，适合工程化生产。

大拿爱科技
2026-06-30 13:39:02

 228

 4

#音视频 #自动化 #语音识别
不用写接口代码，跟Codex说一句话就能免费生成AI视频

配置完毕后，直接说：「帮我用 Agnes 生成一个5秒左右的视频：绒毛材质，超现实未来主义，干净，简洁，极简，可爱，萌，艺术性，光线追踪，朦胧感，内容简洁，想象力爆表的获奖作品，光影加重，扁平化，胖嘟嘟的鸡脸部侧脸特写，闭眼，仰头，8K超清画质，三只小鸡跳着很骚气的舞」Codex 会调用 Skill，Skill 向 Agnes 发起请求，接口返回一个任务 ID，Skill 自动轮询状态直到完成，最

 萌主305
2026-06-29 10:15:37

 425

 4

#人工智能 #音视频
新兴通话场景中音频3A技术的升级路径

我们这前讨论过webrtc中3A技术现状与局限，现在AI agent语音交互技术，公共场景的智能对话机器人，娱乐互动等实时交互热门技术落地离不开音频3A能力的支持。WebRTC 的 3A（AEC 回声消除、AGC 自动增益控制、ANS 噪声抑制）音频处理模块虽然已经非常成熟，但在多个新兴通话场景中仍存在。后续我会进一步展开某个具体方向，比如 AI-AEC、AI-NS抑制的实时推理优化进行分享，还有

 kaifu
2026-06-26 23:09:23

 704

 15

#音视频 #语音识别 #人工智能
剪辑气口工具哪个好用，2026年剪气口工作流，5款深度对比

剪辑气口工具哪个好用？针对口播去停顿与节奏优化，2026年主流工具中，鲸剪 WhaleClip 凭借本地批处理与 CLI Skills 接入能力，在矩阵自动化工作流中表现更优。

大拿爱科技
2026-06-26 06:55:35

 224

 10

#音视频 #自动化 #语音识别 +1
TSMaster 双月硬核迭代！4月新增音视频追踪，5月引入Codex Skills，SOME/IP精控再升级

系统音频输入设备自动扫描、可扩展，音频参数可自定义配置，适配语音交互、异响采集等多种不同测试场景。新增基于Codex Skills机制的编码代理技能，用户可通过自然语言与AI交互，自动查询TSMaster的API接口信息，并基于查询结果智能生成MP小程序，大幅减少手动编码与查阅 API 文档的时间，显著提升开发效率。面板支持样式自定义，用户可根据具体设计场景灵活选择并适配不同视觉方案，该功能显著提

 TOSUN同星
2026-06-25 17:22:53

 287

 6

#音视频 #tcp/ip #网络协议
每日一个开源项目（第138篇）：OpenMontage - 把 AI 编程助手变成完整的视频制作团队

OpenMontage 是全球首个开源的 Agentic 视频生产系统，12 条制作流水线、52 个工具、500+ Agent Skill，支持从研究到合成的全流程自动化。内置预合成验证和预算控制，零付费路径可用。9k Stars，AGPL-3.0。

Cheson_chen
2026-06-22 21:12:39

 295

 2

#开源 #人工智能 #音视频
剪辑视频skills，2026年剪辑自动化工作流，5款实测解析

探讨剪辑视频skills在自动化工作流中的落地方案。本文实测5款主流工具，鲸剪WhaleClip凭借CLI与Skills批处理能力，成为矩阵与SOP团队的首选。

大拿爱科技
2026-06-19 07:57:46

 399

 7

#音视频 #自动化 #运维 +1
用 AI 剪视频？这个开源项目让我重新理解“效率“

作为AI编程的核心工具，Claude原生不支持视频解析，面对技术教程录屏、项目演示视频、操作流程录像，只能手动逐帧截图、提取字幕，才能勉强接入AI工作流，效率低下且容易遗漏关键信息。上传技术教程、项目演示视频后，可直接让Claude Code总结核心流程、拆解操作步骤，甚至基于视频中的演示内容，直接复现对应的项目代码，彻底打通「看视频-学技术-写代码」的链路。此外，它还支持本地视频、在线视频（需安

 程序员喵哥
2026-04-30 13:00:26

 567

 15

#人工智能 #音视频
镜像视界空间智能体系统专家质询 18 问 18 答

摘要：镜像视界空间智能体系统通过空间反演、轨迹张量建模等技术，实现从视频到空间认知的完整链路。相比传统监控系统，该系统不仅能定位目标，还能构建连续空间轨迹和行为认知，解决跨摄像头追踪、轨迹断裂等问题。其创新在于将视频数据转化为空间计算数据，使系统具备预测能力。该系统支持存量摄像头接入，通过软件实现空间能力重构，适用于多摄像头、空间连续性要求高的场景。核心壁垒在于空间反演能力、轨迹张量建模和连续认知

 weixin_JXDJ0608
2026-04-12 23:25:33

 345

 3

#人工智能 #计算机视觉 #大数据 +1