420个AI模型、无内容过滤Open Generative AI本地推理拆解【免费下载链接】Open-Generative-AIUnrestricted Open-source alternative to AI video platforms — Free AI image video generation studio with 500 models (Flux, Midjourney, Kling, Sora, Veo). No content filters. Self-hosted, MIT licensed.项目地址: https://gitcode.com/GitHub_Trending/ch/Open-Generative-AIOpen Generative AI 是一个 MIT 协议的开源 AI 图像生成与视频生成工作室把 Flux、Midjourney、Kling、Sora、Veo 等 420 个生成模型收进一个可自托管的界面里没有内容过滤、没有订阅费还内置 sd.cpp 本地推理引擎让你不用 API Key 也能出图。能力全景按你要做的活来分这个项目把 14 个工作室studio各自负责一类任务的独立界面背后的模型按你要干什么分成八类数量对过仓库里的模型定义文件不是宣传口径用户场景模型数量代表模型说明文字出图70Flux Dev、Nano Banana 2、Seedream 5.0、Midjourney v7纯提示词生成修图/改背景70Nano Banana 2 Edit、Flux Kontext Pro最多同时喂 14 张参考图文字出视频85Kling v3、Sora 2、Veo 3、Seedance 2.0支持 5/10/15 秒档位图转视频120Kling I2V、Runway I2V、Hunyuan I2V给静帧一个首帧让它动起来视频转视频35Vibe Motion、AI Clipping特效、自动剪辑高光口型同步15Infinite Talk、LTX 2.3 Lipsync、LatentSync肖像音频 或 视频音频 两种模式身体/外观替换3Recast 系列跨图像与视频的换主体音频生成15音乐生成与混音文本提示词驱动最值得关注两点一是多参考图输入Nano Banana 2 Edit 一次接受14 张参考图并保持顺序这对同一模特换多套服装这类需求是刚需二是本地推理下文会专门拆——它决定了你到底是调 API 的平台还是真正自托管的工作室。项目首页顶部标签切换 Image / Video / Edit / Cinema 等工作室中间是模型选择与提示词输入框设计思路一份模型清单喂两套端本地推理拆成两个引擎为什么所有模型挤在一个文件里问题420 模型如果散落在各工作室组件里每加一个模型都要改多处 UI云端版和自托管版迟早不一致。方案全部模型定义端点、参数范围、示例提示词、宽高比枚举集中在 packages/studio/src/models.js 这一个文件由模型 dump 自动导出各工作室组件只按 id 取用API 调用统一走 packages/studio/src/muapi.js。效果改一次模型清单网页版和桌面端同时生效新模型接入不需要动任何组件代码。调用模式是提交→轮询两段式POST /api/v1/{模型端点}拿到request_id再轮询GET /api/v1/predictions/{request_id}/result直到completed。开发态下 Next.js 的/api/*路由在服务端重新发起请求顺带把浏览器对上游的跨域CORS问题也绕掉了。双引擎本地推理显存不够怎么办问题大模型本地跑不动但视频模型又必须有 GPU。方案应用只负责界面推理拆成两个独立引擎各管一段。sd.cpp随应用捆绑的 C 二进制跑在同机Apple Silicon 走 MetalLinux/Windows 走 CUDA/Vulkan/ROCm管图像模型——SD 1.5、SDXL、Z-Image 共 6 个可选无需 API Key。Wan2GP你自己搭的 Gradio 服务器桌面端只是 HTTP 客户端把提示词发给局域网或云上任意一台 CUDA/ROCm GPU 机器。为什么拆出来因为它的运行时flash-attn、AWQ/GGUF 内核是 CUDA 专属没有 Apple Silicon 路径拆成远程服务后Mac 用户照样能用桌面端把推理甩给局域网游戏机或租来的 GPU 实例。维度sd.cpp内置Wan2GP自建服务器部署应用内一键下载二进制自行安装 Python PyTorch模型Dreamshaper 8、Realistic Vision v5.1、Z-Image Turbo/Base、SDXLFlux.1 Dev、Qwen Image、Wan 2.2、Hunyuan、LTX Video硬件CPU 可跑Metal/CUDA/Vulkan/ROCm 加速服务器端需要 NVIDIA/AMD GPU下载容错断点续传 自动重试.part续传无服务器端自理模型清单定义在 electron/lib/modelCatalog.js下载与推理调度逻辑在 electron/lib/localInference.js。注意本地推理只在桌面版可用纯网页版一律走云端 API。最短上手路径从 5 分钟到生产第 1 层源码跑起来前置只需 Node.js v18以及一个 MuAPI 的 access key只用本地模型可以先不填git clone --recurse-submodules https://gitcode.com/GitHub_Trending/ch/Open-Generative-AI cd Open-Generative-AI npm run setupsetup 拉子模块 装依赖 构建 studio / workflow-builder / agents / design-agent 四个内部包跳过它直接 npm install 是不够的。然后二选一npm run dev # Next.js 网页版 → http://localhost:3000 npm run electron:dev # 桌面版Electron Vite本地推理只在这边不想碰 Node 的话官方 Releases 提供 Electron 安装包macOS 的 dmgIntel/Apple Silicon、Windows 的 exe、Linux 的 AppImage 与 deb装完即用。第 2 层容器化与 API 直调生产部署就一行命令docker-compose.yml 把容器端口映射到 3001docker compose up -d想在自己的系统里直接调生成能力复用同一套两段式接口即可// 1. 提交x-api-key 头→ 拿 request_id // 2. 轮询 GET /api/v1/predictions/{request_id}/result 至 completed // 参考实现packages/studio/src/muapi.js 的 submitAndPoll()场景深拆电商一套模特图裂变全尺寸主图痛点同一套服装要在多个背景和尺寸下出图外包摄影按张计费改一版等一天。选 Nano Banana 2 Edit上传模特正面 服装平铺 目标场景共 14 张参考图提示词只写要改的部分脸部与姿态由参考图锚定用 Workflow Studio 把生成→放大→换背景串成节点管道参考图存本地上传历史localStorage跨会话直接复用不重复上传收益单条个性化素材的外包成本可降70%量级14 张参考图让风格一致性不再靠抽卡。影视实拍前的镜头语言预演痛点分镜师要快速给团队看构图、焦段和景深但搭景摄影贵且慢。进 Cinema Studio选机身6 种Modular 8K 到 Grand Format 70mm选镜头11 种Classic Anamorphic、Swirl Bokeh 等定焦距8–85mm 共 6 档与光圈f/1.4 / f/4 / f/11这些选择被翻译成提示词修饰符发给文生图模型产出虚拟样片收益一张预演图的耗时从小时级压到分钟级年代剧直接选 Classic 16mm Film 机身对味。Cinema Studio 的虚拟摄影机控制项机身/镜头/焦距/光圈最终都编译进生成提示词数字人口播照片 音频 成片痛点讲师有静态照片和录音稿但口型对不上外包 lip-sync 一条几百块。切到 Lip Sync Studio 的肖像图 音频模式上传人像与音频可选提示词引导表情风格9 个模型里选一个Infinite Talk、Wan 2.2 Speech to Video、LTX 2.3/2 19B Lipsync 等输出 480p/720p/1080p任务进行中刷新页面会自动从lipsync_history恢复收益口播素材从找人拍变成传图传音频单条成本趋近于0元外包费。胶片颗粒与晕影效果示例同一套提示词修饰符体系换机身即可切换时代风格生产环境避坑内存、权限和盘位两档硬件门槛档位配置能跑什么最低8GB 内存 Mac / 任意 CPU仅 SD 1.5 本地模型Dreamshaper 8、Realistic Vision v5.1各 2.1GB推荐16GB 内存或局域网一台 RTX 级 GPUZ-Image Turbo2.5GB 2.7GB 辅助文件或 Wan2GP 上的 Flux/视频模型高频问题现象 → 原因 → 解决现象macOS 装完打不开。原因应用没有 Apple 公证Gatekeeper 直接拦截。解决xattr -cr /Applications/Open Generative AI.app清扩展属性再右键→打开只需一次。现象Mac 上 SD 1.5 从 1–2 秒/步掉到约 10 秒/步。原因二进制静默回退到 CPU 路径Metal 没生效。解决otool -L $APP_DATA/bin/libstable-diffusion.dylib | grep -i metal确认动态库缺 Metal 就到 设置→本地模型 重装引擎。现象模型权重把系统盘塞满Z-Image 全家约 8GB。原因默认全部落在 Electron 的 userData 目录。解决启动前设置环境变量OPEN_GENERATIVE_AI_LOCAL_AI_DIR指向其他盘应用会在那里建bin/、models/、tmp/三个子目录。现象Ubuntu 24.04 上 AppImage 秒退。原因内核的 AppArmor 策略禁了 Chromium 无权限用户命名空间。解决直接装.deb自带 AppArmor profile临时方案是sudo sysctl -w kernel.apparmor_restrict_unprivileged_userns0重启失效。另提醒一句8GB 内存设备上不要选 Z-Image官方实测会挂起整个系统——这是最贵的坑。演进方向README 明确写在路线上的只确认这两条近期Wan2GP 视频模型完整接入 Video Studio当前仅经生成 API 可达中期Popcorn 分镜storyboarding功能、AI Influencer 引擎持续扩展结语Open Generative AI 把生成能力从订阅制 SaaS 变成一份可自托管、可审计的资产一份模型清单、两套本地引擎、零内容过滤。建议的第一步就一个——把桌面版装上用 Dreamshaper 8 跑通第一张本地图再决定要不要往 Wan2GP 和 Workflow 上扩。【免费下载链接】Open-Generative-AIUnrestricted Open-source alternative to AI video platforms — Free AI image video generation studio with 500 models (Flux, Midjourney, Kling, Sora, Veo). No content filters. Self-hosted, MIT licensed.项目地址: https://gitcode.com/GitHub_Trending/ch/Open-Generative-AI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 420+个AI模型、无内容过滤：Open Generative AI本地推理拆解
420个AI模型、无内容过滤Open Generative AI本地推理拆解【免费下载链接】Open-Generative-AIUnrestricted Open-source alternative to AI video platforms — Free AI image video generation studio with 500 models (Flux, Midjourney, Kling, Sora, Veo). No content filters. Self-hosted, MIT licensed.项目地址: https://gitcode.com/GitHub_Trending/ch/Open-Generative-AIOpen Generative AI 是一个 MIT 协议的开源 AI 图像生成与视频生成工作室把 Flux、Midjourney、Kling、Sora、Veo 等 420 个生成模型收进一个可自托管的界面里没有内容过滤、没有订阅费还内置 sd.cpp 本地推理引擎让你不用 API Key 也能出图。能力全景按你要做的活来分这个项目把 14 个工作室studio各自负责一类任务的独立界面背后的模型按你要干什么分成八类数量对过仓库里的模型定义文件不是宣传口径用户场景模型数量代表模型说明文字出图70Flux Dev、Nano Banana 2、Seedream 5.0、Midjourney v7纯提示词生成修图/改背景70Nano Banana 2 Edit、Flux Kontext Pro最多同时喂 14 张参考图文字出视频85Kling v3、Sora 2、Veo 3、Seedance 2.0支持 5/10/15 秒档位图转视频120Kling I2V、Runway I2V、Hunyuan I2V给静帧一个首帧让它动起来视频转视频35Vibe Motion、AI Clipping特效、自动剪辑高光口型同步15Infinite Talk、LTX 2.3 Lipsync、LatentSync肖像音频 或 视频音频 两种模式身体/外观替换3Recast 系列跨图像与视频的换主体音频生成15音乐生成与混音文本提示词驱动最值得关注两点一是多参考图输入Nano Banana 2 Edit 一次接受14 张参考图并保持顺序这对同一模特换多套服装这类需求是刚需二是本地推理下文会专门拆——它决定了你到底是调 API 的平台还是真正自托管的工作室。项目首页顶部标签切换 Image / Video / Edit / Cinema 等工作室中间是模型选择与提示词输入框设计思路一份模型清单喂两套端本地推理拆成两个引擎为什么所有模型挤在一个文件里问题420 模型如果散落在各工作室组件里每加一个模型都要改多处 UI云端版和自托管版迟早不一致。方案全部模型定义端点、参数范围、示例提示词、宽高比枚举集中在 packages/studio/src/models.js 这一个文件由模型 dump 自动导出各工作室组件只按 id 取用API 调用统一走 packages/studio/src/muapi.js。效果改一次模型清单网页版和桌面端同时生效新模型接入不需要动任何组件代码。调用模式是提交→轮询两段式POST /api/v1/{模型端点}拿到request_id再轮询GET /api/v1/predictions/{request_id}/result直到completed。开发态下 Next.js 的/api/*路由在服务端重新发起请求顺带把浏览器对上游的跨域CORS问题也绕掉了。双引擎本地推理显存不够怎么办问题大模型本地跑不动但视频模型又必须有 GPU。方案应用只负责界面推理拆成两个独立引擎各管一段。sd.cpp随应用捆绑的 C 二进制跑在同机Apple Silicon 走 MetalLinux/Windows 走 CUDA/Vulkan/ROCm管图像模型——SD 1.5、SDXL、Z-Image 共 6 个可选无需 API Key。Wan2GP你自己搭的 Gradio 服务器桌面端只是 HTTP 客户端把提示词发给局域网或云上任意一台 CUDA/ROCm GPU 机器。为什么拆出来因为它的运行时flash-attn、AWQ/GGUF 内核是 CUDA 专属没有 Apple Silicon 路径拆成远程服务后Mac 用户照样能用桌面端把推理甩给局域网游戏机或租来的 GPU 实例。维度sd.cpp内置Wan2GP自建服务器部署应用内一键下载二进制自行安装 Python PyTorch模型Dreamshaper 8、Realistic Vision v5.1、Z-Image Turbo/Base、SDXLFlux.1 Dev、Qwen Image、Wan 2.2、Hunyuan、LTX Video硬件CPU 可跑Metal/CUDA/Vulkan/ROCm 加速服务器端需要 NVIDIA/AMD GPU下载容错断点续传 自动重试.part续传无服务器端自理模型清单定义在 electron/lib/modelCatalog.js下载与推理调度逻辑在 electron/lib/localInference.js。注意本地推理只在桌面版可用纯网页版一律走云端 API。最短上手路径从 5 分钟到生产第 1 层源码跑起来前置只需 Node.js v18以及一个 MuAPI 的 access key只用本地模型可以先不填git clone --recurse-submodules https://gitcode.com/GitHub_Trending/ch/Open-Generative-AI cd Open-Generative-AI npm run setupsetup 拉子模块 装依赖 构建 studio / workflow-builder / agents / design-agent 四个内部包跳过它直接 npm install 是不够的。然后二选一npm run dev # Next.js 网页版 → http://localhost:3000 npm run electron:dev # 桌面版Electron Vite本地推理只在这边不想碰 Node 的话官方 Releases 提供 Electron 安装包macOS 的 dmgIntel/Apple Silicon、Windows 的 exe、Linux 的 AppImage 与 deb装完即用。第 2 层容器化与 API 直调生产部署就一行命令docker-compose.yml 把容器端口映射到 3001docker compose up -d想在自己的系统里直接调生成能力复用同一套两段式接口即可// 1. 提交x-api-key 头→ 拿 request_id // 2. 轮询 GET /api/v1/predictions/{request_id}/result 至 completed // 参考实现packages/studio/src/muapi.js 的 submitAndPoll()场景深拆电商一套模特图裂变全尺寸主图痛点同一套服装要在多个背景和尺寸下出图外包摄影按张计费改一版等一天。选 Nano Banana 2 Edit上传模特正面 服装平铺 目标场景共 14 张参考图提示词只写要改的部分脸部与姿态由参考图锚定用 Workflow Studio 把生成→放大→换背景串成节点管道参考图存本地上传历史localStorage跨会话直接复用不重复上传收益单条个性化素材的外包成本可降70%量级14 张参考图让风格一致性不再靠抽卡。影视实拍前的镜头语言预演痛点分镜师要快速给团队看构图、焦段和景深但搭景摄影贵且慢。进 Cinema Studio选机身6 种Modular 8K 到 Grand Format 70mm选镜头11 种Classic Anamorphic、Swirl Bokeh 等定焦距8–85mm 共 6 档与光圈f/1.4 / f/4 / f/11这些选择被翻译成提示词修饰符发给文生图模型产出虚拟样片收益一张预演图的耗时从小时级压到分钟级年代剧直接选 Classic 16mm Film 机身对味。Cinema Studio 的虚拟摄影机控制项机身/镜头/焦距/光圈最终都编译进生成提示词数字人口播照片 音频 成片痛点讲师有静态照片和录音稿但口型对不上外包 lip-sync 一条几百块。切到 Lip Sync Studio 的肖像图 音频模式上传人像与音频可选提示词引导表情风格9 个模型里选一个Infinite Talk、Wan 2.2 Speech to Video、LTX 2.3/2 19B Lipsync 等输出 480p/720p/1080p任务进行中刷新页面会自动从lipsync_history恢复收益口播素材从找人拍变成传图传音频单条成本趋近于0元外包费。胶片颗粒与晕影效果示例同一套提示词修饰符体系换机身即可切换时代风格生产环境避坑内存、权限和盘位两档硬件门槛档位配置能跑什么最低8GB 内存 Mac / 任意 CPU仅 SD 1.5 本地模型Dreamshaper 8、Realistic Vision v5.1各 2.1GB推荐16GB 内存或局域网一台 RTX 级 GPUZ-Image Turbo2.5GB 2.7GB 辅助文件或 Wan2GP 上的 Flux/视频模型高频问题现象 → 原因 → 解决现象macOS 装完打不开。原因应用没有 Apple 公证Gatekeeper 直接拦截。解决xattr -cr /Applications/Open Generative AI.app清扩展属性再右键→打开只需一次。现象Mac 上 SD 1.5 从 1–2 秒/步掉到约 10 秒/步。原因二进制静默回退到 CPU 路径Metal 没生效。解决otool -L $APP_DATA/bin/libstable-diffusion.dylib | grep -i metal确认动态库缺 Metal 就到 设置→本地模型 重装引擎。现象模型权重把系统盘塞满Z-Image 全家约 8GB。原因默认全部落在 Electron 的 userData 目录。解决启动前设置环境变量OPEN_GENERATIVE_AI_LOCAL_AI_DIR指向其他盘应用会在那里建bin/、models/、tmp/三个子目录。现象Ubuntu 24.04 上 AppImage 秒退。原因内核的 AppArmor 策略禁了 Chromium 无权限用户命名空间。解决直接装.deb自带 AppArmor profile临时方案是sudo sysctl -w kernel.apparmor_restrict_unprivileged_userns0重启失效。另提醒一句8GB 内存设备上不要选 Z-Image官方实测会挂起整个系统——这是最贵的坑。演进方向README 明确写在路线上的只确认这两条近期Wan2GP 视频模型完整接入 Video Studio当前仅经生成 API 可达中期Popcorn 分镜storyboarding功能、AI Influencer 引擎持续扩展结语Open Generative AI 把生成能力从订阅制 SaaS 变成一份可自托管、可审计的资产一份模型清单、两套本地引擎、零内容过滤。建议的第一步就一个——把桌面版装上用 Dreamshaper 8 跑通第一张本地图再决定要不要往 Wan2GP 和 Workflow 上扩。【免费下载链接】Open-Generative-AIUnrestricted Open-source alternative to AI video platforms — Free AI image video generation studio with 500 models (Flux, Midjourney, Kling, Sora, Veo). No content filters. Self-hosted, MIT licensed.项目地址: https://gitcode.com/GitHub_Trending/ch/Open-Generative-AI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考