产品库

一键生成视频字幕

VAS 视频加字幕是一款强大且高效的工具，能够使用 AI 提取音频对话内容后翻译、生成字幕文件。它支持 ChatGPT 翻译、GPU 加速、多任务处理、VR 视频、字幕微调、超多语种、实时预览、断点续传等功能。用户只需上传视频，选择语言，即可一键生成字幕。VAS 视频加字幕适用于个人用户、视频制作人、教育机构、企业等多种场景。

大型视频语言模型，用于视觉问答和视频字幕生成。

VideoLLaMA2-7B-16F-Base是由DAMO-NLP-SG团队开发的大型视频语言模型，专注于视频问答（Visual Question Answering）和视频字幕生成。该模型结合了先进的空间-时间建模和音频理解能力，为多模态视频内容分析提供了强大的支持。它在视觉问答和视频字幕生成任务上展现出卓越的性能，能够处理复杂的视频内容并生成准确的描述和答案。

大型视频语言模型，提供视觉问答和视频字幕生成。

VideoLLaMA2-7B-Base 是由 DAMO-NLP-SG 开发的大型视频语言模型，专注于视频内容的理解与生成。该模型在视觉问答和视频字幕生成方面展现出卓越的性能，通过先进的空间时间建模和音频理解能力，为用户提供了一种新的视频内容分析工具。它基于 Transformer 架构，能够处理多模态数据，结合文本和视觉信息，生成准确且富有洞察力的输出。

大型视频-语言模型，提供视觉问答和视频字幕生成。

VideoLLaMA2-7B是由DAMO-NLP-SG团队开发的多模态大型语言模型，专注于视频内容的理解和生成。该模型在视觉问答和视频字幕生成方面具有显著的性能，能够处理复杂的视频内容，并生成准确、自然的语言描述。它在空间-时间建模和音频理解方面进行了优化，为视频内容的智能分析和处理提供了强大的支持。

精准的 AI 视频字幕识别和字幕翻译软件

33 字幕是一款精准的 AI 视频字幕识别和字幕翻译软件。它可以将音频、视频转换成文本或 SRT 字幕文件，并支持字幕翻译成其他语言。它使用优化后的 Whisper AI 语音转写模型，准确度接近人类水平。集成多种 AI 翻译引擎，支持 ChatGPT、DeepL、微软、百度等翻译接口。它还提供高效易用的可视化字幕编辑器，支持字幕摘要和预提取人声功能。33 字幕支持英语、日语、韩语、法语、泰语等 50 多种语言。

为视频自动添加字幕，字幕翻译，字幕制作软件

绘影字幕为您提供视频加字幕、字幕制作、字幕翻译服务。软件采用先进的语音识别技术，自动识别视频中的人声，转化成字幕。并提供翻译服务，轻松制作中英字幕、中日字幕等双语字幕。为抖音、vlog、快手、自媒体、教育课程等视频创作者提供快捷的加字幕服务。

智能提取视频字幕

青梧字幕是一款视频字幕自动提取工具，用户可以通过选中本地视频文件自动生成字幕，进行编辑和翻译，最终可以下载多种格式的字幕文件。产品功能全面，支持高质量翻译和多种字幕格式下载，适用于视频制作、学习教育等场景。

一键生成带字幕和配音的视频翻译工具

VideoTrans是一款免费开源的视频翻译配音工具。它可以一键识别视频字幕、翻译成其他语言、进行多种语音合成,最终输出带字幕和配音的目标语言视频。该软件使用简单,支持多种翻译和配音引擎,能大幅提高视频翻译的效率。

多模态多视角视频数据集和基准挑战

Ego-Exo4D 是一个多模态多视角视频数据集和基准挑战，以捕捉技能人类活动的自我中心和外部中心视频为中心。它支持日常生活活动的多模态机器感知研究。该数据集由 839 位佩戴摄像头的志愿者在全球 13 个城市收集，捕捉了 1422 小时的技能人类活动视频。该数据集提供了专家评论、参与者提供的教程样式的叙述和一句话的原子动作描述等三种自然语言数据集，配对视频使用。Ego-Exo4D 还捕获了多视角和多种感知模态，包括多个视角、七个麦克风阵列、两个 IMUs、一个气压计和一个磁强计。数据集记录时严格遵守隐私和伦理政策，参与者的正式同意。欲了解更多信息，请访问官方网站。

理解复杂视频，作诗配文的AI视频模型

MiniGPT4-Video是为视频理解设计的多模态大模型，能处理时态视觉数据和文本数据，配标题、宣传语，适用于视频问答。基于MiniGPT-v2，结合视觉主干EVA-CLIP，训练多阶段阶段，包括大规模视频-文本预训练和视频问题解答微调。在MSVD、MSRVTT、TGIF和TVQA基准上取得显著提升。定价未知。

免费开源的视频翻译配音工具

视频翻译配音是一个免费开源的视频翻译和配音工具,支持多种翻译引擎,可以将视频字幕翻译成多种语言,并生成自然的语音配音,操作简单方便。

统一多模态视频生成系统

UniVG是一款统一多模态视频生成系统，能够处理多种视频生成任务，包括文本和图像模态。通过引入多条件交叉注意力和偏置高斯噪声，实现了高自由度和低自由度视频生成。在公共学术基准MSR-VTT上实现了最低的Fr'echet视频距离（FVD），超越了当前开源方法在人类评估上的表现，并与当前闭源方法Gen2不相上下。

精准识别音视频转文本或SRT字幕

33字幕是一款桌面端精准识别音视频转文字或SRT字幕的软件,支持50多种语言识别和翻译,翻译支持DeepL和ChatGPT,可搜索和编辑字幕,支持批量处理,还可以一键剪切口播和播客。

在线字幕生成工具

字幕酱利用 AI 深度学习技术，提供自动在线字幕生成、字幕制作、语音转字幕、字幕翻译、字幕格式转换等功能。支持多种语种和常见音视频格式，60 秒内短视频免费。

多模态驱动的定制视频生成架构。

HunyuanCustom 是一个多模态定制视频生成框架，旨在根据用户定义的条件生成特定主题的视频。该技术在身份一致性和多种输入模式的支持上表现出色，能够处理文本、图像、音频和视频输入，适合虚拟人广告、视频编辑等多种应用场景。

基于LLM的智能字幕助手，一键生成高质量视频字幕

卡卡字幕助手（VideoCaptioner）是一款功能强大的视频字幕配制软件，利用大语言模型进行字幕智能断句、校正、优化、翻译，实现字幕视频全流程一键处理。产品无需高配置，操作简单，内置基础LLM模型，保证开箱即用，且消耗模型Token少，适合视频制作者和内容创作者。

大型多模态模型中视频理解的探索

Apollo是一个专注于视频理解的先进大型多模态模型家族。它通过系统性地探索视频-LMMs的设计空间，揭示了驱动性能的关键因素，提供了优化模型性能的实用见解。Apollo通过发现'Scaling Consistency'，使得在较小模型和数据集上的设计决策能够可靠地转移到更大的模型上，大幅降低计算成本。Apollo的主要优点包括高效的设计决策、优化的训练计划和数据混合，以及一个新型的基准测试ApolloBench，用于高效评估。

提供字幕下载、解析、生成、翻译及格式转换等功能的一站式字幕服务平台

熊猫字幕是一个专注于字幕服务的平台，其功能覆盖字幕下载、解析、生成、翻译及格式转换等。该平台为用户提供了便捷的字幕获取和处理方式，无论是学习外语、制作视频还是其他需要字幕的场景，都能满足用户的需求。它的重要性在于满足了用户对字幕的多样化需求，提高了视频内容的可访问性和可理解性。目前，熊猫字幕以免费的形式提供服务，旨在为广大用户提供便利。

快速准确提取视频中的文字

AIbase视频提取文字工具是一个利用人工智能和机器学习技术，为用户提供快速、准确的视频文字转录服务。它优化了文字排版，使得转录内容易于理解且忠实于原视频。作为一项基础服务，该工具完全免费，无需安装、下载或付费订阅，极大地方便了创意人员的视频内容处理工作。

面向长期视频理解的大规模多模态模型

MA-LMM是一种基于大语言模型的大规模多模态模型,主要针对长期视频理解进行设计。它采用在线处理视频的方式,并使用记忆库存储过去的视频信息,从而可以在不超过语言模型上下文长度限制或GPU内存限制的情况下,参考历史视频内容进行长期分析。MA-LMM可以无缝集成到当前的多模态语言模型中,并在长视频理解、视频问答和视频字幕等任务上取得了领先的性能。

快速AI字幕，自动为视频添加字幕

Zeemo AI视频字幕是一款最准确、最稳定的自动字幕和视频编辑工具。它可以自动为视频添加17种语言的字幕，准确率超过98%。同时，它还提供多种动态字幕样式供选择，让你的视频轻松脱颖而出。此外，它还支持自动翻译字幕，让你的视频吸引更广泛的全球观众。Zeemo AI视频字幕还具有批量编辑字幕功能，可以节省手动校正字幕的时间，轻松优化你的视频。你可以选择各种模板、字体和颜色，创建自己定制的字幕样式。此外，Zeemo AI视频字幕还提供视频剪辑功能，让你裁剪视频并添加音乐，打造属于你的杰作。

将视频转换为短视频，生成字幕，创作时尚短视频。

Slickkey是一个在线工具，可以将视频转换为短视频。您可以上传视频或添加YouTube视频链接，它会自动选择有趣的片段、生成字幕，并创建时尚的短视频。Slickkey提供高级编辑功能，适用于个人用户和团队。不同的套餐价格适应不同的需求。使用Slickkey，您可以快速创建有趣、吸引人的短视频，推广您的内容。

用AI重新定义视频创作，从文字到视频，让创作变得简单。

海螺视频App是一款基于AI技术的视频创作工具，用户可以通过文字描述或上传图片快速生成视频。该产品利用AI技术降低了视频创作的门槛，使创作变得简单高效。适合创意表达、生活记录等多种场景，具有便捷性和高效性。产品目前主要面向移动端用户，提供App Store和安卓应用商店的下载选项。

Bilibili 视频总结插件~

“AI课代表” 是您在B站最专业的人工智能助手 🤖 基于GPT4的“知识提问+“视频总结”+“字幕搜索” 每日刷新免费额度 解决问题，快速定位关键点，筛选视频，帮你成为人见人爱的“课代表” 无情吸赞，学霸人设，专栏大佬，最重要的是：您的声音至关重要，我们将以“3天1更”的速度持续改进！

在线为视频添加字幕和标题

SubtitleBee是一款在线工具，可以自动为视频添加字幕和标题。它支持多种语言，可以生成多语言字幕，并提供翻译功能。用户可以自定义字幕样式、进度条样式等，还可以裁剪视频适应不同的社交媒体平台。SubtitleBee的定价灵活，提供免费试用和不同套餐选择。

视频字幕生成与编辑工具

易字幕是一款简单实用的在线自动字幕生成与编辑工具。能够快速准确地为视频和YouTube链接生成和编辑字幕，并支持150+种免费语言翻译。具有高准确度的转录效果，性价比高，操作方便，提供免费的字幕下载和翻译。

在线视频转写和生成字幕工具

videosum.ai是一款在线视频转写工具，可以帮助用户快速将视频转换成文字，并生成字幕。它提供简单易用的界面，支持多种视频格式。用户可以通过该工具将视频内容转化为文字，方便编辑、搜索和分享。此外，videosum.ai还可以根据用户需求生成社交媒体发布内容。它的定价方式灵活多样，用户可以根据自己的需求选择适合的套餐。

一个用于智能设备等的多模态原生代理框架。

OmAgent是一个多模态原生代理框架，用于智能设备等。它采用分治算法高效解决复杂任务，能预处理长视频并以类似人类的精度进行问答，还能基于用户请求和可选天气条件提供个性化服装建议等。目前官网未明确显示价格，但从功能来看，主要面向需要高效任务处理和智能交互的用户群体，如开发者、企业等。

大型多模态模型，处理多图像、视频和3D数据。

LLaVA-NeXT是一个大型多模态模型，它通过统一的交错数据格式处理多图像、视频、3D和单图像数据，展示了在不同视觉数据模态上的联合训练能力。该模型在多图像基准测试中取得了领先的结果，并在不同场景中通过适当的数据混合提高了之前单独任务的性能或保持了性能。

首个全面评估多模态大型语言模型在视频分析中的性能基准。

Video-MME是一个专注于多模态大型语言模型（MLLMs）在视频分析领域性能评估的基准测试。它填补了现有评估方法中对MLLMs处理连续视觉数据能力的空白，为研究者提供了一个高质量和全面的评估平台。该基准测试覆盖了不同长度的视频，并针对MLLMs的核心能力进行了评估。