andyhuo520/digital-human-koubo

外部のオープンソース リポジトリを紹介するページです。HDATFの製品ではありません。

何をするか

このリポジトリは、使用許可のある写真と台本またはコンテンツの依頼から、仮想の発表者が話す動画を作るエージェント用の指針とスクリプトをまとめています。解説、チュートリアル、製品紹介を制作する利用者を対象とし、最終出力は編集済みMP4です。発表者の参照素材、声の説明、プロンプトはpersona.jsonに保存し、build_tasks.pyが台本から推定時間、解像度、クレジットを含む生成タスクのJSONを作ります。文書上の流れでは見積もりの承認と最初の生成区間の確認を受けてから、Renoise MCPで残りを生成します。ただし、このスクリプト自体はタスク情報を作るだけで、承認を強制したり遠隔生成を依頼したりはしません。その後、whisperの文字起こしを台本と比較し、抽出フレームを確認し、声を整えてRemotionで字幕や視覚要素を編集します。全工程にはスキルを読めるエージェント、Renoiseアカウントと遠隔MCP接続、ローカルのPython、Node、ffmpeg、whisper環境が必要です。発表者の背後に文字を置く分離効果はmacOSのApple Visionにも依存するため、すべてのOSで同じ経路を使えるわけではありません。アカウント固有の参照素材を置き換え、生成された音声と映像を確認し、顔と声の使用許可やAI表示も確保する必要があります。外部生成の費用と第三者の描画ツールの条件は別途確認すべきであり、公開デモや著者報告の精度が別の環境で同じ結果を証明するものではありません。

ライセンス

MIT 寛容なライセンスです。著作権表示を残せば商用利用と改変ができます。

同じ分野のリポジトリ

• aoguai/LiYing
  LiYingは写真館向けに、一人の人物写真から証明写真の後処理を自動化するツールです。背景色、写真間隔、裁断線を指定して、電子提出用写真と印刷用の配置画像を作ります。Pythonの処理ではローカルのONNXモデルを使い、YOLOv8の姿勢検出、YuNetまたはRetinaFaceの顔検出、RMBGの背景分離を組み合わせます。肩の位置から傾きを補正し、顔の大きさと頭上の余白に合わせて切り抜きます。CSV設定で寸法、解像度、色、ファイル容量の制限を指定でき、圧縮と肌補正も選べます。コマンドラインまたはGradioのブラウザー画面で利用でき、Docker設定もあります。開始にはモデルファイルとPython依存関係を別途用意し、NVIDIAによる任意の高速化には互換性のあるCUDAとcuDNNが必要です。複雑な写真は本来の対象ではなく、透過PNGの保存では目標容量への圧縮を省略し、AGPL-3.0のコードと各モデルの利用条件は別々に確認する必要があります。
• lemomo-ai/lemo-opuscar
  Lemo-Opuscarは、動画生成モデルではなくコードで短編映像を作るためのスタイル資料集、制作ツール、エージェントスキルのセットです。利用者が題材、スタイル、保有素材を渡すと、コーディングエージェントが場面、時間軸、ナレーション、音楽を構成し、映像を書き出す流れです。技術文書はCanvasやWebGLのページを時刻に応じて決定的に描画し、ヘッドレスブラウザでフレームを取得してffmpegで音声と合成する方式を説明しています。確認したプラグイン定義は資料と道具への入口であり、導入直後に自動制作を始める独立製品ではありません。Node 20以降、ffmpeg、Python 3.11以降が必要で、ブラウザ用パッケージ、音声モデル、素材を必要に応じて追加し、WindowsではWSLを案内しています。英語音声はローカルKokoroを利用できますが、文書の中国語Edge TTS経路には通信が必要です。作者はClaude向けに調整しており、他モデルでの再現を保証しないため、映像、音声、事実の確認が必要です。コードと文書、デモ映像、外部素材、一部の除外された音声では再利用条件が異なり、それぞれ確認する必要があります。
• anomalyco/hex
  HexはmacOS、Windows、Linuxのアプリに音声で文字を入力する人向けのローカル音声入力アプリです。ショートカットを押したままマイクに話し、離すと認識した文字を現在のアプリに貼り付けます。初回は音声モデルをダウンロードし、通常の音声認識はRustエンジンで端末内処理します。文脈別の処理には校正と任意のOpenCodeによる書き換えが含まれるため、ローカル認識という説明をすべての接続サービスに広げるべきではありません。別のTypeScript SDKはホストが用意したPCM WAVを、認証されたローカルのネイティブ補助プロセスに送り、認識文と時間情報を返します。SDKを利用するアプリが録音、権限、同意を担い、信頼できないブラウザー画面ではなくNodeまたはElectronの主プロセスで使用する必要があります。各OSの配布版から始められますが、SDKの組み込みにはNode.js 20.3.0以上と明示的なネイティブ実行ファイルが必要で、補助プログラム同梱版はまだ公開されていません。Windowsの文書では現在のRune画面は実機未検証でローカル認識APIも未提供とされ、SDK案内との対応範囲の照合が必要です。Windowsはベータとされ、SDKによるデスクトップ録音制御は現在macOSのみで、音声要求には容量と長さの制約があり、MITのソースライセンスだけで全音声モデルの利用条件を判断できません。
• simbasjungles/free-my-tv
  Free My TVは、アプリへのショートカットと作品推薦を表示する広告のないテレビ用ホーム画面です。インストール済みアプリの情報とTMDBの地域別配信情報を組み合わせて作品を選び、Open-Meteoから天気と日没情報を取得します。Android TV 9以降では、Javaアプリがユーザーの許可した機器内部のADB接続を使い、ホーム画面を変更し、一部の標準アプリを削除せず無効にします。保存した状態から元のホーム画面に戻せるほか、繰り返しクラッシュすると監視機能が復旧を要求します。LG webOS版とSamsung Tizen版は、標準ホーム画面を置き換えない別のウェブアプリです。導入には対応テレビ、同じネットワーク上のパソコン、開発者アクセスが必要で、作品推薦にはTMDBキーが必要ですが、配信サービスの契約を代替するものではありません。
• JiaFeiMiao-K-Cat/DiscImageStudio
  Disc Image Studioは、ラベルを印刷するのではなく、ディスクへの書き込みで表面に目に見える模様を作りたい利用者向けのツールです。画像と任意の同梱ファイルを受け取り、CD、DVD、単層BD-Rの物理的な記録形式に対応するデータへ変換します。設計画面では画像レイヤー、階調調整、プレビュー、補正を扱えます。出力はCD用のWAVとCUEまたはRAWの音声トラック、各メディアに対応するISOなどのディスクイメージです。メディア別のモジュールはコマンドとジョブのインターフェースを共有し、実験的な直接書き込みはWindows IMAPI2を通じて記録装置へ接続します。Windowsのデスクトップ画面は設計と書き込みに対応し、LinuxとmacOSの実験的なコマンドライン版はクラウドAPIなしでオフライン生成します。開始方法は環境に合う配布物を入手し、ディスクの種類を選んで画像を取り込み、出力前にプレビューを確認する流れです。実際の模様はメディアや記録装置によって異なり、直接書き込みは実験段階のため、中断すると空のディスクを使えなくする可能性があります。

Trendshiftのランキングに入ったリポジトリだけを載せ、リストは候補を探すためだけに使いました。順位の数字は転載していません。説明、ライセンス、スター数は各GitHubリポジトリで確認しました。解説は私たちの判断です。これらを試験したわけではなく、上昇リストに載ったことは品質の証明ではありません。