# 视觉智能开放平台 #
1
关注
15741内容
video-analyzer：开源视频分析工具，支持提取视频关键帧、音频转录，自动生成视频详细描述
video-analyzer 是一款开源视频分析工具，结合 Llama 的 11B 视觉模型和 OpenAI 的 Whisper 模型，能够提取视频关键帧、转录音频并生成详细描述，支持本地运行和多种应用场景
FFmpeg开发笔记（十五）详解MediaMTX的推拉流
MediaMTX是开源轻量级流媒体服务器，提供RTSP, RTMP, HLS, WebRTC和SRT服务。启动后，它在不同端口监听。通过FFmpeg的推拉流测试，证明了MediaMTX成功实现HLS流媒体转发，但HLS播放兼容性问题可能因缺少音频流导致。推流地址为rtsp://127.0.0.1:8554/stream，RTMP地址为rtmp://127.0.0.1:1935/stream，HLS播放地址为http://127.0.0.1:8888/stream（Chrome）和http://127.0.0.1:8888/stream/index.m3u8（其他播放器可能不支持）。
印刷文字操作报错合集之出现“图片和服务类型不匹配”，该怎么解决
在使用印刷文字识别（OCR）技术过程中，可能会遇到各种错误或问题。以下是一些常见的报错情况及其可能的原因和解决建议。包括但不限于：1.识别率低，错误多、2.无法识别特定字符或字体、3.文件格式不支持、4.内存或资源不足、5.网络连接问题、6.API调用限制或授权问题、7.语言识别错误、8.安全与隐私问题。
InvSR：开源图像超分辨率生成模型，提升分辨率，修复老旧照片为超清图像
InvSR 是一个创新的图像超分辨率模型，基于扩散模型的逆过程恢复高分辨率图像。它通过深度噪声预测器和灵活的采样机制，能够高效地提升图像分辨率，适用于老旧照片修复、视频监控、医疗成像等多个领域。
【工具教程】批量PDF和图片OCR识别指定区域文字自动改图片名字，多个区域一次性批量识别改名批量重命名
本内容介绍了一款用于企业档案、医院病历及办公文件管理的图片和PDF文字识别工具。通过框选识别区域，软件可批量提取关键信息，实现文件重命名或导出为表格，极大提升管理效率。支持图片与PDF两种模式，操作简单，适用于合同、病历、报告等场景。提供详细步骤指导，包含区域设置、文件导入、批量处理及结果校验等功能。
JoyCaption：开源的图像转提示词生成工具，支持多种风格和场景，性能与 GPT4o 相当
JoyCaption 是一款开源的图像提示词生成工具，支持多种生成模式和灵活的提示选项，适用于社交媒体、图像标注、内容创作等场景，帮助用户快速生成高质量图像描述。
UI-TARS：字节跳动开源专注于多平台 GUI 自动化交互的视觉语言模型
UI-TARS 是字节跳动推出的新一代原生图形用户界面（GUI）代理模型，支持跨平台自动化交互，具备强大的感知、推理、行动和记忆能力，能够通过自然语言指令完成复杂任务。
免费试用