Для образовательных роликов и видеоуроков субтитры обычно уже готовы, но хочется добавить к ним рисованную анимацию в стиле белой доски. Самому рисовать трудно, а заказывать такую работу у кого-то — дорого.

srt-whiteboard-animation — это открытый AI-скилл, который берёт готовый SRT-файл с субтитрами и превращает его в видео с белой доской на фоне бежевой бумажной текстуры.

Сначала он разбивает материал на сцены длительностью по 25–35 секунд и составляет раскадровку. Затем генерирует линейный рисунок, после чего визуальные элементы начинают появляться на экране по мере продвижения субтитров. Кончик маркера сначала обводит линии, потом добавляет цвет, а в конце всё экспортируется в MP4.

https://github.com/geeklee/srt-whiteboard-animation

После завершения каждого этапа система останавливается и ждёт подтверждения. Пока раскадровка и линейные рисунки не утверждены, дальнейший рендеринг не запускается, поэтому не приходится зря тратить время и ресурсы. Также в комплект входит браузерная панель предпросмотра, где можно вручную настраивать область, порядок появления элементов и тайминг.

Демонстрация из репозитория под названием «Обезьяны на горе отбирают бананы» выглядит довольно забавно. Искусственная горка, маленькая обезьяна, большая обезьяна, отбирающая бананы, и дети-наблюдатели — всё это поочерёдно дорисовывается вслед за субтитрами.

Для тех, кто делает познавательные или сюжетные короткие видео, такой инструмент может заметно упростить работу над визуальным сопровождением.

📱 @git_developer

Если дома есть два-три Mac и вы хотите локально запустить большую ИИ-модель, памяти одного компьютера может не хватить.

exo позволяет объединить несколько устройств в один ИИ-кластер. Модель, которая не помещается в память одного компьютера, можно распределить между несколькими устройствами и запускать совместно. Проект уже набрал более 48 тысяч звёзд на GitHub.

Устройства автоматически обнаруживают друг друга без ручной настройки. exo анализирует объём памяти и скорость сети каждого компьютера, самостоятельно определяя, как распределить модель между ними.

Чем больше устройств, тем выше скорость работы. По данным разработчиков, два компьютера обеспечивают ускорение в 1,8 раза, а четыре — в 3,2 раза.

В README представлены результаты реального тестирования DeepSeek V3.1 с 671 миллиардом параметров на кластере из четырёх Mac Studio. Зрелище нескольких компьютеров, совместно запускающих такую модель, действительно впечатляет.

Для macOS уже есть готовое приложение, которое работает в фоновом режиме. Встроенная панель управления позволяет отслеживать состояние кластера и напрямую общаться с моделью.

API совместим с форматами OpenAI, Claude и Ollama, поэтому к кластеру можно подключать уже используемые инструменты.

https://github.com/exo-explore/exo

📱 @git_developer