工具集

支持上千个站点的音视频下载命令行工具，可选择格式与清晰度、下载字幕与元数据，并配合 FFmpeg 合并与转码；youtube-dl 的活跃分支。

OpenAI 官方开源的通用语音识别模型，自带 whisper 命令，可多语种转写、把外语语音翻译成英文并输出字幕文件；需要 FFmpeg，有 GPU 时更快。

音视频转码、剪辑、拼接、抽帧与推流的命令行工具集，含 ffmpeg、ffprobe、ffplay，是 agent 处理媒体文件的基础依赖。GitHub 仓库为官方镜像。

用 HTML、CSS 与可逐帧定位的动画写视频，命令行预览并渲染成确定性的 MP4；附带产品发布视频、字幕、口播重剪等 agent 技能。HeyGen 官方维护，需要 Node.js 22+ 与 FFmpeg。

用 React 编写视频，并通过 npx remotion render 在命令行渲染输出，适合 agent 批量生成数据驱动的视频。个人、非营利组织与 3 人以内的公司可免费使用，规模更大的营利公司需购买授权。

OpenAI Whisper 语音识别模型的 C/C++ 实现，在本地离线转写音频并输出字幕，CPU 即可运行，支持 Apple Silicon 与多种 GPU 加速；需先下载 ggml 格式模型。

CLI-Anything 里的 MuseScore 4 命令行封装：让 agent 给乐谱转调、提取分谱、增删乐器、查看乐谱信息，并导出 PDF、MIDI、MusicXML、MP3、盲文谱等格式，适合音乐老师批量准备教学乐谱。需先安装 MuseScore 4 桌面软件与 Python 3.10+。

港大数据智能实验室（HKUDS）出品：通过 Claude Code、Codex 等 agent 的插件或技能，为 GIMP、Blender、LibreOffice 等软件生成 agent 可调用的命令行；配套的 CLI-Hub 包管理器（cli-hub）可检索、安装社区现成的 CLI。需要 Python 3.10+。

轻量的多协议命令行下载工具，可从多个来源分段并行下载，支持 HTTP(S)、FTP、SFTP、BitTorrent 与 Metalink，能断点续传、从文本文件批量读取链接，并提供 JSON-RPC 接口供脚本或 agent 远程管理下载任务。

用 Python 代码制作数学与讲解类动画的引擎（社区版 ManimCE）：写好场景后用 manim 命令渲染成视频，适合让 agent 生成教学、科普动画。macOS 需先装 cairo 与 pkg-config，渲染公式需 LaTeX。

Go 编写的视频下载命令行工具，覆盖抖音、B 站、优酷、快手、小红书等国内站点及 YouTube，支持播放列表、断点续传、多线程下载与 Cookie。

一条命令去除图片背景：支持单张、整个文件夹批处理和监听目录，可只输出蒙版、切换 U2Net、SAM 等模型，也能启动 HTTP 服务或配合 FFmpeg 处理视频帧。默认模型在本地推理。

老牌开源视频转码器，命令行版 HandBrakeCLI 可按内置预设把录屏、课程视频、拍摄素材批量压缩或转成 MP4、MKV、WebM，适配手机和网页播放。免费、本地运行，macOS 可用 Homebrew 安装。

基于 faster-whisper 的快速语音转写，提供词级时间戳与说话人分离，适合会议纪要与字幕制作；说话人分离需 Hugging Face Token，GPU 加速需 CUDA。

基于机器学习的视频超分与补帧工具，用 Real-ESRGAN、Real-CUGAN、RIFE 等模型把低清老视频放大到高清或提高帧率；video2x 命令一次处理一个视频，可脚本批量调用。需要支持 Vulkan 的显卡，提供 Windows 安装包、Linux 软件包与 Docker 镜像，无 macOS 原生版。

基于 Whisper 的离线语音转写与翻译工具，录音不出本机，用 buzz add 命令把讲座、访谈、会议录音导出为 TXT、SRT、VTT，适合老师整理课堂录音、律师整理会见记录。pip 安装需 Python 3.12 和 FFmpeg，另有桌面版；转写结果需人工核对。

阿里 ModelScope 开源的工业级语音识别工具包，自带面向 agent 的 funasr 命令：一条命令把音频转成文本、JSON 或 SRT 字幕，支持说话人分离与时间戳，中文识别效果好。需先安装 PyTorch。

从众多图片站与社交平台批量下载图集和作品的命令行工具，文件命名与配置灵活，可调用 yt-dlp 下载视频。主开发已迁至 Codeberg，GitHub 仓库仍同步更新。

视频翻译与配音一站式工具：串起语音识别、字幕翻译、多角色 AI 配音与音画合成，可接 Faster-Whisper、DeepSeek、Edge-TTS 等本地或在线模型；cli.py 支持无界面批处理。需要 FFmpeg。

老牌图像处理命令行套件，支持 JPEG、PNG、GIF、TIFF、PDF 等众多格式的转换、缩放、裁剪、合成与批量处理，适合 agent 在脚本里处理图片。

卡卡字幕助手的命令行版：把课程、讲座、访谈视频转成字幕，再用大模型断句校对、翻译并烧录回视频。必剪识别与必应翻译免费可用，大模型优化需自备 API Key，需 Python 3.10–3.12。

开源零样本语音合成，提供 f5-tts_infer-cli 命令行，给几秒参考录音就能用相同音色朗读中英文，适合给课件、视频配音。需要 Python、PyTorch 和 FFmpeg，最好有 GPU；预训练模型仅限非商业使用，克隆他人声音须经本人同意。

调用微软 Edge 在线语音合成把文本转成语音，并可同时生成字幕文件，无需 API Key，支持中文等多语种音色。非微软官方项目，依赖该在线服务的可用性。

把 Twitch、YouTube、B 站、抖音、虎牙、斗鱼等平台的直播流交给本地播放器观看，或用 --output / --record 直接保存成视频文件，便于留存自家或合作方的直播回放、做二次剪辑。macOS 可用 Homebrew 安装，观看需另装 VLC 等播放器；请只录制有权使用的内容。