音视频工具软件

BiliSum

音视频工具开源

把 B 站、YouTube 和本地视频自动转写、总结成图文笔记与思维导图的桌面工具，笔记全部落本地 SQLite，还能跨视频做 RAG 检索问答并导出到 Obsidian。

一款基于OpenAI Whisper的离线语音转文字与翻译桌面应用，支持多引擎、GPU加速和说话人识别，可导出SRT/VTT字幕。

为 Stash 开源媒体管理器提供 NFO 元数据生成、文件整理、表演者图片搜索、标签同步、缺失场景发现及工作室层级管理等扩展功能的插件集合。

把 MiniMax-H3 音视频联合生成模型接入 ComfyUI 的插件，支持文生视频+音频、首尾帧驱动和多模态参考三种任务，靠 INT8 量化与分层卸载在单张 24GB 显卡上跑完整流程。

FFmpegFreeUI

音视频工具开源

FFmpegFreeUI（3FUI）是Windows上专为进阶编码人员设计的FFmpeg专业交互外壳，提供了全自由参数转码、批量处理与可扩展平台，所有生产力功能免费。

基于CTranslate2的Whisper语音识别项目，推理速度可达原版4倍，精度不变，支持int8量化与批处理。

JAVM

音视频工具开源

基于 Tauri 2 + Vue 3 + Rust 的桌面端 JAV 媒体库管理器，把本地扫描入库、番号刮削、下载队列和内置播放截图串成一条流水线，数据存本地 SQLite。

基于AI大模型的次世代文本翻译器，支持16种语言互译，一键翻译小说、游戏文本、字幕等，开箱即用，专为游戏汉化与字幕翻译优化。

MPV-EASY Player

音视频工具开源

基于 MPV 内核的 Windows 播放器，把 mpv.conf 那套命令行配置换成图形化设置界面，附带调好的默认参数、脚本目录和便携化数据结构，开箱即用。

面向 Windows 的 mpv 播放器配置整合项目，提供解压即用的 mpv-lazy 懒人包、带中文注释的 mpv.conf/input.conf 原档，以及着色器与滤镜预设和一整套 mpv 中文文档。

MX Player

音视频工具免费增值

亚马逊旗下的安卓本地视频播放器，主打 HW+ 硬件解码、多核解码和字幕手势操作，几乎通吃各种冷门格式；近年内置大量 OTT 流媒体内容与广告。

面向 Emby 服务端的第三方增强插件，以单个 DLL 放入 plugins 目录即用，主打 Strm 直链播放、媒体信息持久化与元数据刷新，紧跟 Emby 最新 release 适配。

Memo AI

音视频工具开源

面向播客与视频的桌面转写工具，粘贴 YouTube/播客链接或本地音视频即可生成文字，内置多引擎翻译、语音合成配音，并导出 SRT/VTT 字幕与 Markdown 笔记。

一款开源、纯浏览器端运行的AI口播视频编辑器，自动切割场景、添加动态字幕与设计图形，无需账户和服务器即可导出MP4。

Poweramp

音视频工具买断

安卓本地音乐播放器，主打 Hi-Res 输出、64 位内部处理与最多 32 段图形/参量均衡，配合独家 DVC 直接音量控制，把耳机和 DAC 的声音调到自己想要的样子。

Shutter Encoder

音视频工具开源

由视频剪辑师开发的开源转码工具，用图形界面封装 FFmpeg，支持几乎所有音视频图像格式，并能对部分编码做无重编码剪切、字幕烧录与批量队列输出。

一款 Python 代理服务器，通过模拟 Jellyfin HTTP API，让 Infuse、Swiftfin 等兼容播放器直接浏览与串流 Stash 媒体库，实现无缝的媒体消费体验。

一款本地运行的命令行工具，用反向 alpha 混合逐帧还原被 Google Veo / Gemini 3.5 水印覆盖的画面，不裁切不涂抹，直接输出干净 MP4 并保留原音轨。

Voicebox

音视频工具开源

本地运行的开源 AI 语音工作室，集成 7 个 TTS 引擎的语音克隆、Whisper 全局听写、多轨故事编辑和本地 REST API，音频与模型全程不出本机，替代 ElevenLabs 和 WisprFlow。

OpenBMB 开源的免分词端到端 TTS 模型，VoxCPM2 为 2B 参数、支持 30 种语言，可用文字描述凭空设计音色、短样本克隆声音，并直接输出 48kHz 录音棚级音频，本地自部署。

本地运行的桌面字幕工具：用 whisper.cpp 把视频语音转成 SRT 字幕，再用内置腾讯 Hy-MT2 模型离线翻译成 15 种语言，也可接 DeepL、GPT、Gemini 等在线引擎，视频全程不上传。

compressO

音视频工具开源

基于 FFmpeg 的本地视频/图片压缩工具，Tauri+Rust 构建，拖拽即压缩，全程离线处理，支持三大桌面平台，AGPL-3.0 开源。

面向 Windows 的 mpv 第三方整合包，自编译 mpv/FFmpeg/SDL2 核心，专攻 Dolby Vision、HDR Vivid、AV3A 沉浸声、5.1.4 至 9.1.6 具名多声道 PCM 与 HDR 图形字幕，并深度汉化 uosc 界面、内置弹幕与网盘直链播放。

开源视频翻译配音工具，一键串联语音识别、字幕翻译、AI 配音与视频合成，可自由混搭 Faster-Whisper、DeepSeek、Edge-TTS 等 30 多个本地或在线渠道，免登录无功能限制。

uosc 是 mpv 播放器的 Lua 界面脚本，用光标接近度控制 UI 显隐，提供可搜索菜单、缩略图预览、字幕下载与自定义控制栏，把裸奔的 mpv 变成完整可点的播放界面。