IZIDesu 开源 AI_TextImage_Generation 文本/图像生成小游戏仓库
GitHub 用户 IZIDesu 发布 AI_TextImage_Generation 仓库,这是一个简单的文本/图像生成小游戏,基于 Gemini 与 pollinations 实现核心生成功能,代码以 Python 编写。目前仓库尚处早期阶段,0 stars、0 forks,暂无发布版本。
新闻、仓库与研究,按时间排列。
GitHub 用户 IZIDesu 发布 AI_TextImage_Generation 仓库,这是一个简单的文本/图像生成小游戏,基于 Gemini 与 pollinations 实现核心生成功能,代码以 Python 编写。目前仓库尚处早期阶段,0 stars、0 forks,暂无发布版本。
Dior278 在 GitHub 发布 Music-Generation-with-Pytorch,提供 Gradio Studio 界面下的双引擎音乐生成:预训练的 MusicGen-small 支持英文文本生成 WAV 音频(首次运行需下载约 1–2 GB 模型),自训练 LSTM 则依据调性、拍号与 seed 生成 ABC 与 ABC+MIDI。项目支持通过 Colab GPU 或本地 CPU python train_lstm.py 训练 LSTM,采用 MIT 许可,商用需遵守 Meta MusicGen 使用条款。
LAM-Diffusion 仓库实现了论文方法:用 Large Action Model 规划器把提示词转为结构化动作描述符,经双流条件控制驱动扩散 U-Net,生成可控动漫角色。基于 Animagine XL 4.0 在 H200 上训练 11,000 步,发布含 28,145 动漫动作-姿态-文本三元组的新数据集、训练好的模型及 Web 应用,颜色泄漏从 0.125/0.375 降至 0.05/0.10。
GitHub 开源项目 pixelpanda-mcp 为 Claude Desktop、Cursor、VS Code 等 MCP 兼容客户端提供 33 个图像处理工具,分三层:免费本地编辑(缩放、裁剪、加水印等 18 个,离线可用)、免费 AI 工具(每日 3 次抠图、Real-ESRGAN 2x/4x 放大等)和付费 Pro 工具(AI 产品照、虚拟试穿,1 credit/张)。定价:$5 一次性 200 credits,$24/mo 得 1,125 credits/月加无限 AI 工具,MIT 协议开源。
Ayaz AI Studio 发布 Phase 17,将主界面改造成 Grok 风格极简仪表板,新增 My Credits 和 Watch Ads 专页,聊天、Study Mode、图片与视频生成等功能全部保留。该项目为 Node.js + Express 应用,Phase 15 起接入真实 Google OAuth 2.0 登录,免费额度为每日 6 张图片、3 个视频、50 次聊天。
SillyTavern 分叉 Kotatsu 发布更新,新增 Scenes 场景群聊功能,可让多个角色自己持续对话,并支持 @ 点名发言顺序、旁白席位,且在磁盘上是普通 ST 群聊、双向兼容。另加入图像生成功能,由聊天模型根据剧情自动写提示词,可直接填入 ComfyUI 地址自动识别模型并推荐设置,Anima、KREA 2 和 SDXL/Illustrious/Pony 开箱即用,也支持 LoRA 触发词自动添加或改用 OpenAI/Google AI Studio key。此功能替代旧 Image Generation 扩展,ComfyUI 地址可迁移;同时新增 Docker 支持,安装器仍仅限 Windows。
推荐理由:作者自家 SillyTavern 分叉的更新说明,列出了场景群聊与 ComfyUI 生图的具体用法和迁移兼容性。
Hugging Face 上发布了 Qwen/Qwen-Image-2.1 的无审查 GGUF 量化版本,提供从 BF16(14.23 GB)到 Q4_0(4.15 GB)等多种量化文件,推荐 Q4_K_M 以平衡体积与质量。该版本移除内置安全检查器与内容过滤,可直接生成 NSFW 内容,需配合 ComfyUI 与 ComfyUI-GGUF 使用,仓库内包含 qwen3vl_8b 文本编码器和 VAE 等配套文件。采用 Qwen Research License 授权。
GitHub 新仓库 kvark/mega-image 提供基于 Meganeura 的 Qwen-Image 2.1 扩散 transformer 推理,用量化 Qwen3-VL 前端编码提示词。初始下载约 10.3 GB,默认 1024x1024 分辨率会生成 4096 个图像 token 并需较大 GPU 显存,首次跑通建议 512x512 和 1 步采样。支持断点续传、HF_HUB_CACHE 缓存复用、--offline 与 --pack-swiglu 等选项,但 VAE 解码器尚未实现,暂不能输出 PNG。
prompts.chat 上名为「Echoes of the Rust Age」的图像编辑 prompt 由 STRUCTURED 格式改为 TEXT 格式。新版本要求以上传照片中的两名人物为主体,将他们置于废墟峡谷的末世场景中,并保持 Arri Alexa 电影级photorealistic 风格与浅景深效果。此次更新由 aitank2020@gmail.com 提交,替换了原先包含 negative prompt 与详细场景参数的结构化版本。
prompts.chat 新增一条 /imagine 绘图 prompt,用于生成一位 30 岁亚洲女性、粉色短发绿眼睛、穿红色无袖拉链上衣与粉色裙子的写实卧室人像,强调自然皮肤微纹理与暖调定向光。该 prompt 采用 --ar 9:16 --style raw --v 6.1 参数,并通过 --no 排除畸形、多余肢体、模糊等缺陷。
prompts.chat 新增「Food Truck Concept Design Brief Builder」提示词,可将街头餐车创业想法转化为完整概念方案。该 prompt 覆盖车身外观、服务布局、6 色配色和 12-16 项固定设计细节清单,并生成两个 AI 图像 prompt,让同一辆餐车在不同时间与视角下保持外观一致,另附 10 项一致性检查和运营注意事项。
prompts.chat 新增一条文生图提示词,用于生成古罗马地板马赛克画面:地中海别墅废墟庭院中的海洋场景马赛克,中央为红橙色章鱼,周围有海鲷、海鳝、龙虾和跃起的海豚,上方是撒网的木质渔船剪影。提示词还指定了马赛克的风化细节、低角度暖光以及 16:9 构图。
prompts.chat 的每日 prompt 库新增一条图像生成提示词「日出时分蜘蛛网上露珠的微距摄影」,描述了一张 16:9 构图的微距照片:圆蛛网挂满大小露珠,前景露珠中倒映日出、树线和红色罂粟,背景为暖金色奶油散景,参数为 100mm 微距镜头、f/2.8,要求无人物、无文字、无水印。
prompts.chat 的每日 prompt 库新增一条图像生成提示词「黄昏沙漠天文台的中世纪水粉插画」。该提示词描述了一幅 16:9 构图的中世纪现代风格水粉画:红色岩石沙漠山顶上的白色天文台,配有银灰色圆顶、黄窗附属建筑与盘山公路,天空呈从深青到珊瑚的渐变,并包含限制调色板与无文字水印等约束。
prompts.chat 新增一条图像生成 prompt:阳光城市广场上翻新的 1960 年代风格 compact step van 餐车,工作日午餐时间正面右侧 3/4 视角拍摄。prompt 固定了车身约 5.5 m 长、奶油色与深青绿双色涂装加铜橙色饰条、chrome 大灯与格栅等设计细节,采用 35mm 镜头、1.6 m 站姿视高、9 m 距离、16:9 构图的写实生活方式摄影风格。
prompts.chat 的每日 prompt 数据集新增一条图像生成提示词「Retro Teal Food Truck at a Riverside Night Market (Rear Right View)」。该提示词以照片级写实风格,描绘同一辆修复的 1960 年代紧凑型 step van 餐车在河畔夜市傍晚营业的场景,采用右后 3/4 视角、1.6 m 站立视线高度、约 9 m 距离、35mm 镜头、16:9 构图,并要求保留与前一场景一致的固定设计细节。
maximUlya 在 Hugging Face 发布 Qwen-Image-2.1 的 Uncensored GGUF 量化版本,基于上游原始权重,提供 BF16、Q4_K_M 等多种量化文件,大小从 4.15 GB 到 14.23 GB 不等,推荐 Q4_K_M(约 4.6 GB)兼顾体积与质量。该版本移除内置安全检查与内容过滤,可直接生成成人及敏感图像,不拒答也不出黑图。需配合 ComfyUI 与 ComfyUI-GGUF(leejet fork)使用,文本编码器卸载到系统内存可节省 9–17 GB VRAM,采用 Qwen Research License。
GitHub 新仓库 official-daily-banana 提供每日 AI 艺术生成功能,文字变体提示词基于 Gemini Flash 模型族,免费层限 15 RPM、100 万 TPM、1,500 RPD;付费账户下 2.5 Flash Lite 每 $1.00 可生成约 15,000 个变体。图片生成功能 Nano Banana 强制要求绑定 Google Cloud Billing 账户。代码采用 MIT 许可,图像与提示词采用 CC BY 4.0 许可。
GitHub 新仓库 Accio-Studio 是一个可在自己电脑上运行的 Web 应用,用 Krea 2 生成图像、Qwen Image Edit 2.1 编辑图像,内置便携版 ComfyUI 0.38.0 引擎,无需安装 Python、Node 或 Git。它支持创建与编辑两类任务,包括 Multi-edit(最多 9 张图)、Inpaint 和 Outpaint,可选用 Flux2 Klein 9B(约 19 GB)作为第二编辑模型。安装需约 45 GB 磁盘空间,建议 Nvidia RTX 20 系列及以上 GPU,支持本地及 Cloudflare、zrok、Tailscale 等多种连接模式。
AuroraIMG-6M 发布,这是一个仅 6M 参数的文生图模型,可在 64x64 分辨率下生成可辨识的图像。6M 参数包含全部组件,没有超大文本编码器或 VAE。模型卡提供了样例、架构与训练细节说明及快速上手指南。
abassign 在 GitHub 发布 sdcpp-studio,一个基于 stable-diffusion.cpp 的本地私有图像生成工作室,支持文生图、图生图、本地 VLM 图像分析、带蒙版编辑器的局部重绘和 agentic 精修循环,支持 AMD ROCm 与 NVIDIA CUDA,不调用云端。支持 FLUX.1、FLUX.2、Z-Image、Ideogram 4、Qwen-Image-Edit、SD/SDXL 等模型族及 LoRA;模型权重不随仓库分发,按需下载,demo 预设约需 8 GB 显存,FLUX/Ideogram 建议 24 GB。代码采用 PolyForm Noncommercial License 1.0.0,仅限非商业使用。
Hugging Face 上线 lesley311/Noct-Q-Uncensored-Qwen-Image-2.1 模型,提供 Diffusion Single File 库的使用说明。用户可通过 Diffusion 单文件方式加载,并借助 Google Colab、Kaggle 等 Notebook 及本地应用运行,目前部分代码示例仍在征求社区 PR 补充。
GitHub 新仓库 meta-xucong/alchemy-media-agent 发布了 Alchemy 图片生成 Agent 的第一版开发文档,含 36 份 Markdown 文档、OpenAPI YAML 接口草案、Mermaid 架构图和 Python/FastAPI 代码骨架。技术路线采用双层编排:Claude Code/Claude Agent SDK 作为中枢调度,OpenAI Agents SDK 承载高频请求和专业 agents。仓库内置 Docker Compose 与 GitHub Actions VPS 一键部署,默认端口 8017,视频生成已移交给 aiself 独立平台。
r34vtraining 在 GitHub 发布 H3_Longshot 仓库,为 ComfyUI 提供 MiniMax H3 长镜头节点,把链式 Shot 在 latent 空间拼接后一次解码,实现超过单次 H3 生成时长的无缝连续镜头,最新版本 1.6.6。每个 Shot 独立采样,支持 1.4 时间线模式原地重掷、1.5 真实视频 Clip 节点、1.6.3 起 RTX VSR 分块放大直写编码器,歌词对口型经 Song Track 按时间线切片;已渲染分段以指纹存入内存与磁盘,重跑只采样变化及后续分段,且模型仅在确有分段渲染时加载。
推荐理由:仓库文档详细说明了分段采样、latent 拼接与分段复用机制,读者可以了解在 ComfyUI 里超出单次生成时长的长视频如何落地。
GitHub 新仓库 BalaramPai/AI-Video-Generation-Pipeline 将视频创意经 Ollama 运行的 llama3.1:8b 生成分镜脚本,用 Stable Diffusion 生成场景图,再通过 Runway API 以 Gen-4.5(单段 2–10 秒)或 Grok Imagine Video 1.5(单段 1–15 秒)图生视频并拼接为 MP4。流水线以角色、场景锚点和 img2img 低去噪强度保持跨场景视觉连续性,输出由 FFmpeg 按 H.264 重编码,另提供 Google Veo 与本地 ffmpeg 回退选项。
Tenney95 发布 AI Canvas Tauri,一个基于 Tauri 2 + React 19 + React Flow 12 的本地优先 AI 多模态画布桌面应用,面向 AI 短剧创作、资产管理与分镜制作,集成 ComfyUI、对话 Agent 与 MCP。GitHub Stars 达到 10,000 时自有代码将转用 MIT License;当前采用 Source-Available 许可,非 OSI 开源项目,文档按 0.10.1 源码核对(2026-10-08)。
推荐理由:README 给出了画布、ComfyUI 集成、插件与 Agent 的完整能力清单和本地部署步骤,可据此评估是否适合 AI 短剧工作流。
GitHub 新仓库 creative-engine 为 TicketStub 提供类型化创意 API 运行时,实现 generate、edit、inspect、compare、restore 等 handler,以及 Creative API 1.1 的 parentless concepts.create,可将候选图保存为不可变版本。项目使用 SQLite 版本存储与确定性 brief 规划,所有检查离线运行且不调用付费 provider;MODE=live 未实现,make acceptance 在外部 owner 证据发布前退出码为 2。包为 private,版本 0.0.0,未发布到 registry。
junhosong1 在 GitHub 开源 AutoQC-Studio,一个本地 AI 图像·视频制作流水线,串联 ComfyUI 生成、Vision LLM 自动质检(0~10 评分 + 7 种缺陷代码)、按缺陷类型重生成和自动分类。它通过 MCP 暴露 9 个工具,可由 Claude Code 用自然语言无人值守批量产出产品主图、演绎图和短视频。支持本地模型(Qwen Image、Krea、LTX、Wan)与付费 API(GPT Image 2、Seedance 2.0、MiniMax)混用,12GB GPU 可用 VRAM 节约模式分阶段卸载模型。
SizorCloud 发布 Ideogram 4 所用 Qwen3-VL 文本编码器(abliterated)的单文件合并版,将 noelthekke 原仓库的 4 个分片 safetensors 合并为一个 qwen3vl_text_encoder_abliterated.safetensors(398 个张量,BF16,约 15 GB)。合并仅是格式重打包,未改动任何权重或量化。该文件供 sd-webui-forge-classic 2.30 等 UI 在 Text Encoder 下拉框中加载,配合 Flux2 系 VAE 使用 Ideogram4 预设。
少样本字体生成框架 SW-Font 在 GitHub 开源官方实现,基于条件扩散框架,结合拓扑骨架引导与笔画宽度空间分布建模,核心组件包括 A-SWT、G-GCA 和 WES-Net。模型在 128×128 分辨率、20 步采样、DPM-Solver++ 配置下完成中文汉字生成评测,并可泛化到未见汉字及日文、韩文字形。预训练 checkpoint 将于后续单独发布。
ComfyUI-Yomu(Yomu)是一个基于 ComfyUI 的文生图/图生图独立窗口 App,通过桌面捷径启动,支持 txt2img、img2img、局部重绘(inpaint)、文生影片和图生影片等工作流。前端不写死节点,通过 workflows/ 里的插槽节点(如 @ckpt、@lora、@sampler)替换复杂工作流,影片生成采用 Wan2.2 TI2V-5B 等模型。生成的 PNG 可拖回界面还原全部参数,并提供 Civitai 搜寻、图库与一键安装更新(Yomu-Setup.bat)等功能。
GitHub 新仓库 DL-CA3 实现了一个受 StyleGAN 启发的 GAN,使用 TensorFlow 在 CIFAR-10 数据集(60,000 张 32×32 像素、10 类彩色图像)上训练生成合成图像。实验涵盖映射网络、AdaIN、噪声注入等 StyleGAN 核心组件,并演示 style mixing 与 latent interpolation。输出包括训练模型的合成图像、样本对比及隐向量插值序列。
Flux AI Image Generation Suite 2026 是一款 Windows 桌面应用,集成 Flux、Stable Diffusion 3(SD3)和 Aurora 三种模型,支持本地运行、无需联网。它提供提示词库管理、分辨率/采样步数/CFG scale/seed 等参数微调及批量生成功能,支持 CPU 和 GPU 加速。推荐配置为 16 GB 内存、RTX 20 系列及以上显卡,通过 Mostway Launcher 一次性安装,无订阅费用,2026 年内计划持续更新。
开源项目 Latentry 发布,这是一个运行在本机的隐私优先图像生成 Web UI,可调用自带 diffusers 引擎或 A1111、ComfyUI、diffusers 后端,支持 txt2img、img2img、inpainting 和 3D 骨骼姿势控制。每张图保存时嵌入生成设置,图库支持按 prompt、model:、seed:、steps:>=30 等条件检索并回填参数,内置 WD14 打标签,无遥测、默认只监听 127.0.0.1,需 Node.js 22.19+,MIT 许可。
推荐理由:项目把生成、带嵌入设置的图库检索和 WD14 标签串成一套本地流程,隐私设计的具体做法对想本地跑图的人有参考。
GitHub 仓库 grayrepo-byte/Agenvas 发布了可自托管的 AI 创作画布,支持文字、图片、视频、音频多模态生成与 Agent 协作,采用 MIT 许可证。当前为开发版本,面向单管理员自托管,通过 Docker Compose 一键启动并自动生成数据库密码与凭证密钥,媒体适配器涵盖 GPT Image、Seedance、MiniMax H3、可灵、通义万相等。
开源新仓库 Shewbox 是一个本地桌面聊天应用,可与 Ollama 中已安装的任意模型对话,无需云服务和 API key。当模型支持 tool calling 时,可调用 generate_image 工具,通过本地 ComfyUI + SDXL 后端生成图像并在聊天中内联显示。应用支持持久聊天历史、文本文件上下文附件、图片保存和明暗主题切换,采用 MIT 许可证,所有数据均留在本机。
GitHub 仓库 MaratG2/LocalAtelier 发布,提供 MIT 许可的本地创作工作台,在自有 NVIDIA GPU 上组织项目并生成图像、带纹理 3D 物体和带立体声的视频。集成 Qwen-Image-2.1(INT8,约 17.3 GB)、HiDream O1(SDNQ 4-bit,约 10.7 GB)、TRELLIS.2 图生 3D(Q8,约 10 GB)和 VDN-H3/MiniMax H3 视频生成(约 56.7 GB),支持 GLB/glTF/OBJ 等导出;目标机器为 RTX 5060 Ti 16 GB 配 32 GB 内存,图像模型安装约需 55–65 GB 空间,队列为单任务运行、最多接受四个任务。
推荐理由:仓库 README 给出各模型磁盘占用、硬件要求和队列限制等具体细节,想在自己 GPU 上跑图像、3D 与视频生成工作流的读者可以据此评估。
OpenMOSS 发布 MOSS-Image 系列的监督微调文生图模型 MOSS-Image-SFT,由 MOSS-Image-Base 微调而来,示例显示 SFT 版文本分组更清晰、白板排版更有序。模型支持自然语言提示词、标签序列和 JSON Layout 控制文字位置与物体排布,权重与推理代码以 Apache 2.0 许可开源,VAE 采用 FLUX.2 small decoder,并提供 ComfyUI 插件和 Prompt Enhancer skill。
推荐理由:官方给出了从 Base 到 SFT 的同图对比和完整推理配置,读者可以直接复现文本排版更整齐的文生图效果。
OpenMOSS 在 Hugging Face 发布 MOSS-Image 系列的基座文生图模型 MOSS-Image-Base,支持自然语言提示词、标签序列和 JSON Layout 控制文字与物体排布,权重和推理代码以 Apache 2.0 许可开放。正文给出 diffusers 快速上手代码(transformer 与文本编码器用 bfloat16,VAE 用 float32,捆绑 FLUX.2 small 解码器的 VAE)、默认采样设置(Flow-matching Euler、50 步、CFG 3、负分支跳过第 22 层),并对比了 Base 与 SFT 版本在同一示例上的文字分组与白板排版差异;另提供 ComfyUI 原生插件和面向 agent 的提示词增强 skill。
推荐理由:原文给出了完整的推理代码、采样参数和 Layout JSON 格式,读者可以直接在本地复现这个文生图基座模型的用法。
h1neolzr7f 发布 Manga-NAI-GPT,一个基于 Manga Editor Desu 的漫画编辑器,把改字幕、去字、抠图、分层、换角色、画一页等常见工作做成按 1-2-3 操作的任务卡。文字识别与去字等在本机 CPU 免费运行,换角色和 AI 生图需自行配置 OpenAI 兼容图像服务与 NovelAI,所有修改以新图层保存并支持 Ctrl+Z 撤销。项目以 GPL-3.0 许可开源,已知限制包括复杂多人画格换角色不稳定、本机 AI 首次人物识别需 20-60 秒。
推荐理由:README 写清了每项任务所需的本机或云服务、三步安装方式和已知限制,想离线改漫画的人可以按需判断是否适用。