跳到主要内容 Video2Robot：从视频到机器人动作的端到端生成管道 | 极客日志
Python AI 算法
Video2Robot：从视频到机器人动作的端到端生成管道 Video2Robot 是由 AIM-Intelligence 开发的开源项目，提供从视频或文本提示到机器人运动序列的端到端转换管道。它整合了 Google Veo 和 Sora 进行视频生成，利用 PromptHMR 提取人体姿态（SMPL-X），并通过 GMR 框架将动作重定向至不同机器人平台（如 Unitree、Booster）。项目支持多模态输入、交互式 Web 界面及模块化架构，旨在降低机器人动作编程门槛，适用于娱乐、工业、医疗等场景。
独立开发者 发布于 2026/4/6 更新于 2026/4/18 简介
Video2Robot 是由 AIM-Intelligence 开发的开源项目，是一个端到端的管道系统，能够将视频或文本提示转换为机器人可执行的运动序列。在机器人技术、动画制作和虚拟现实快速发展的今天，如何让机器人执行自然、流畅的人类动作成为关键挑战。传统方法需要专业动画师手动设计动作，或通过复杂的运动捕捉系统，过程耗时耗力且成本高昂。Video2Robot 应运而生，通过整合先进的视频生成、人体姿态提取和运动重定向技术，实现了从简单描述到机器人动作的自动化转换。
自动化流程 ：将复杂的手动设计过程自动化，显著提高效率自然动作生成 ：基于真实人类动作生成自然流畅的机器人运动多模态输入 ：支持文本提示、现有视频、图像参考等多种输入方式广泛兼容性 ：支持多种主流机器人平台，包括 Unitree、Booster 等 项目定位 ：Video2Robot 填补了自然语言/视频到机器人动作转换的技术空白。与需要专业设备和复杂流程的传统运动捕捉系统不同，该项目通过软件管道实现了低成本、高效率的动作生成。项目特别注重易用性和可扩展性，通过模块化设计支持不同组件的替换和升级，同时提供直观的 Web 界面降低使用门槛。
技术基础 ：项目基于现代化的 Python 技术栈，深度整合了多个前沿开源项目。Google Veo 和 Sora 提供高质量视频生成能力，PromptHMR 负责从视频中提取精确的人体姿态参数（SMPL-X 格式），GMR （General Motion Retargeting）框架将人体动作重定向到不同机器人模型。通过精心设计的管道架构，这些组件协同工作，实现从文本到机器人动作的完整转换流程。
主要功能
1. 端到端自动化管道 Video2Robot 的核心是完整的自动化处理管道。用户只需提供简单的文本描述（如"向前走四步"），系统即可自动执行以下步骤：首先通过视频生成模型（Veo 或 Sora）创建包含相应动作的视频；然后使用 PromptHMR 从视频中提取精确的 3D 人体姿态序列；最后通过 GMR 框架将人体动作转换为目标机器人的关节运动。整个过程无需人工干预，大大简化了机器人动作编程的复杂度。
2. 多模态输入支持 系统支持多种输入方式，适应不同场景需求。文本提示模式 允许用户用自然语言描述期望的动作，系统自动生成相应视频并转换。视频上传模式 支持用户直接上传现有视频文件，跳过视频生成步骤，直接从姿态提取开始处理。项目恢复模式 允许用户从中间步骤继续处理，提高工作流程的灵活性。这种多模态设计使得系统既能从零开始创造新动作，也能基于现有素材进行转换。
3. 多机器人平台兼容 项目支持多种主流机器人平台，包括 Unitree G1（29 自由度）、Unitree H1（19 自由度）和 Booster T1（23 自由度）等。通过 GMR 框架的通用重定向能力，系统能够将同一人体动作适配到不同机械结构的机器人上。输出格式为标准化的 Python pickle 文件，包含帧率、机器人类型、根位置、旋转和关节位置等完整信息，便于直接集成到机器人控制系统中。
4. 先进视频生成集成 深度集成 Google Veo 3.1 和 Sora 等最先进的视频生成模型。支持lastFrame 功能 ，允许用户提供起始和结束图像，系统生成平滑过渡的视频，特别适合"从姿势 A 到姿势 B"的机器人动作设计。支持referenceImages 功能 ，用户可提供最多 3 张参考图像来保持特定角色或风格的一致性。这种高级控制能力使得生成的动作视频更加精确和符合预期。
5. 交互式 Web 界面 提供完整的 Web UI，基于 FastAPI 和 Viser 构建。用户可以通过浏览器直观地输入提示、上传视频、选择模型参数，并实时查看处理进度。界面支持3D 可视化功能 ，能够同步播放原始视频、提取的人体姿态和转换后的机器人动作，方便对比验证。这种可视化能力对于调试和结果评估至关重要。
6. 智能环境管理 项目设计了智能的环境管理系统，自动处理两个独立的 Conda 环境（gmr 和 phmr）。脚本运行时自动切换到相应的环境，用户无需手动激活。针对不同 GPU 架构（如 Blackwell、Ampere、Hopper）提供优化的安装脚本，确保最佳性能和兼容性。这种设计简化了部署过程，降低了技术门槛。
7. 模块化可扩展架构 采用高度模块化的设计，每个核心组件都可以独立使用或替换。视频生成模块 封装了与 Veo/Sora API 的交互逻辑。姿态提取模块 提供 PromptHMR 的简化接口。机器人转换模块 集成了 GMR 框架的核心功能。这种设计使得研究人员可以轻松替换特定组件，尝试新的算法或模型，同时保持整体管道的稳定性。
8. 完整可视化工具链 内置丰富的可视化工具，支持不同阶段的中间结果查看。可以可视化提取的 SMPL-X 参数、3D 人体网格、机器人运动序列等。支持同步播放功能 ，将原始视频、3D 姿态和机器人动作对齐显示，便于质量评估和问题诊断。可视化工具也自动处理环境切换，提供一致的用户体验。
9. 项目状态管理 系统维护完整的项目状态，每个处理步骤的结果都保存在结构化目录中。支持从任意步骤恢复处理，避免重复计算。项目目录包含原始输入、生成的视频、提取的姿态参数、转换的机器人动作以及各种中间文件，便于版本管理和结果追溯。
10. 生产就绪输出格式 输出为标准化的 robot_motion.pkl 文件，包含机器可读的完整运动数据。格式包括帧率（通常 30fps）、机器人类型标识、总帧数、根位置（3D 坐标）、根旋转（四元数表示）、关节位置（自由度数值）。这种标准化格式便于直接集成到机器人仿真系统或实际控制系统中，支持实时播放和进一步处理。
安装与配置
环境要求与兼容性 在部署 Video2Robot 之前，需要确保系统满足以下基本要求：
GPU ：NVIDIA GPU，支持 CUDA，推荐 RTX 30 系列或更高，至少 8GB 显存内存 ：系统内存至少 16GB，推荐 32GB 以上用于处理高分辨率视频存储 ：SSD 存储，至少 50GB 可用空间用于数据集和模型文件
操作系统 ：Ubuntu 20.04/22.04（推荐），Windows 10/11（通过 WSL2），macOS（有限支持）Conda ：Miniconda 或 Anaconda，用于环境管理Python ：版本 3.10（GMR 环境）和 3.10/3.11（PromptHMR 环境）CUDA ：版本 11.8 或更高，与 PyTorch 版本匹配
基础安装流程 Video2Robot 需要两个独立的 Conda 环境，分别用于机器人重定向（GMR）和姿态提取（PromptHMR）。
git clone --recursive https://github.com/AIM-Intelligence/video2robot.git
cd video2robot
git submodule update --init --recursive
conda create -n gmr python=3.10 -y
conda activate gmr
pip install -e .
步骤 3：设置 PromptHMR 环境（姿态提取）
对于 Blackwell 架构 GPU（sm_120） ：
conda create -n phmr python=3.11 -y
conda activate phmr
cd third_party/PromptHMR
bash scripts/install_blackwell.sh
对于其他 GPU 架构（Ampere、Hopper 等） ：
conda create -n phmr python=3.10 -y
conda activate phmr
cd third_party/PromptHMR
pip install -e .
conda activate gmr
python -c "import video2robot; print('GMR 环境正常')"
conda activate phmr
python -c "import prompt_hmr; print('PromptHMR 环境正常')"
高级配置选项 项目需要访问 Google Veo API 或其他视频生成服务的 API 密钥：
Veo 3.1 ：Google 的最新视频生成模型，支持高级控制功能Sora ：OpenAI 的视频生成模型（需要相应 API 访问权限）自定义模型 ：通过修改配置集成其他视频生成服务 要支持新的机器人模型，需要在 GMR 框架中添加相应的机器人描述文件：
在 third_party/GMR/robot_descriptions/目录下创建新的 URDF 或 MJCF 文件
定义机器人的运动学结构和关节限制
在配置文件中注册新的机器人类型标识符
Docker 部署（可选） 对于希望简化部署过程的用户，项目提供了 Docker 支持：
docker build -t video2robot:latest .
docker run -it --gpus all -p 8000:8000 video2robot:latest
项目提供了预配置的 Docker 镜像，包含所有依赖：
docker pull aimintelligence/video2robot:latest
故障排除指南
CUDA 版本不匹配 ：确保 PyTorch 版本与 CUDA 版本兼容子模块初始化失败 ：手动初始化 third_party 目录中的子模块环境冲突 ：使用 conda clean 命令清理缓存后重试权限问题 ：在 Linux 系统上可能需要 sudo 权限安装某些系统依赖
根据 GPU 内存调整视频生成的分辨率
使用批处理模式处理多个动作序列
启用模型缓存减少重复加载时间
调整姿态提取的采样率平衡精度和速度
对于国内用户，可能需要配置代理访问 Google API：
HTTP_PROXY=http://your-proxy:port
HTTPS_PROXY=http://your-proxy:port
如何使用
快速开始：从文本到机器人动作 Video2Robot 的设计理念是让机器人动作编程变得简单直观，用户可以通过清晰的步骤完成从想法到可执行动作的全过程：
用户需要提供清晰的动作描述文本。描述应尽可能具体，包括动作类型、节奏、幅度等信息。例如：
"向前走四步，然后转身"
"做三个俯卧撑，节奏中等"
"跳舞动作，类似 NewJeans 的舞蹈风格"
系统内置了 BASE_PROMPT 模板，会自动将用户描述转换为适合视频生成的完整提示。
完整管道模式 ：从文本提示开始，执行所有步骤视频输入模式 ：从现有视频开始，跳过生成步骤分步处理模式 ：手动控制每个处理阶段
python scripts/run_pipeline.py --action "向前走四步"
python scripts/run_pipeline.py --action "跳舞动作" --provider sora
python scripts/run_pipeline.py --video /path/to/dance.mp4
视频生成进度和预计完成时间
姿态提取的帧处理状态
运动重定向的计算进度
最终输出文件保存位置
python scripts/visualize.py --project data/video_001
python scripts/visualize.py --project data/video_001 --pose
python scripts/visualize.py --project data/video_001 --robot
生成的机器人动作文件保存在项目目录中，可以直接用于：
机器人仿真系统（如 Isaac Sim、PyBullet）
实际机器人控制（通过相应的 SDK）
进一步的动作编辑和优化
核心工作流详解
提示工程 ：系统将用户描述转换为详细的视频生成提示视频生成 ：调用 Veo 或 Sora API 生成包含指定动作的视频视频预处理 ：调整分辨率、帧率、格式以适应后续处理姿态提取 ：逐帧分析视频，提取 3D 人体姿态参数（SMPL-X 格式）姿态后处理 ：平滑处理、时间对齐、异常值修正运动重定向 ：将人体动作映射到目标机器人关节空间运动优化 ：考虑机器人物理限制，优化动作的可行性和稳定性结果输出 ：生成标准化的机器人运动数据文件
起始 - 结束控制 ：提供起始和结束姿势图像，生成平滑过渡风格参考 ：提供参考图像保持特定角色或风格一致性动作组合 ：将多个简单动作组合成复杂动作序列参数调整 ：调整动作速度、幅度、流畅度等参数
批量输入 ：准备包含多个动作描述的文本文件并行处理 ：系统自动管理多个处理任务结果整理 ：自动组织输出文件，生成处理报告质量检查 ：批量验证生成动作的质量和可行性
Web 界面使用流程
uvicorn web.app:app --host 0.0.0.0 --port 8000
输入区域 ：文本输入框、文件上传控件、参数调整滑块处理控制 ：开始/停止按钮、进度显示、日志查看可视化区域 ：3D 视图、视频播放器、同步控制条结果管理 ：历史项目列表、结果导出选项、分享功能
实时调整视角观察 3D 模型
同步控制视频和 3D 动画播放
逐帧检查动作细节
对比不同参数设置的效果
最佳实践建议
使用具体、明确的动词描述动作
包括节奏信息（快、慢、中等）
指定动作幅度（小幅度、大幅度）
考虑动作的起始和结束状态
参考已知动作风格（如特定舞蹈、运动）
根据动作复杂度调整视频生成时长
根据机器人能力调整动作幅度限制
根据应用场景调整动作流畅度要求
根据硬件性能调整处理批次大小
在仿真环境中测试动作可行性
检查关节极限和碰撞避免
验证动作的稳定性和平衡性
评估动作的自然度和表现力
缓存常用动作模板减少生成时间
使用低分辨率进行快速原型验证
批量处理相关动作序列
优化姿态提取的采样策略
应用场景实例
实例 1：娱乐机器人舞蹈编排 场景描述 ：一家科技娱乐公司开发了一款人形机器人用于舞台表演，需要为机器人编排复杂的舞蹈动作以参加国际机器人舞蹈大赛。传统方法需要专业舞蹈编导和机器人工程师紧密合作，手动设计每个动作的关节角度和时序，过程极其繁琐且难以实现自然流畅的舞蹈效果。团队需要在短时间内创作多种风格的舞蹈，包括流行舞、传统舞和现代舞。
解决方案 ：团队使用 Video2Robot 系统进行舞蹈动作创作。编舞师首先描述舞蹈风格和关键动作，如"创作一段融合传统和现代元素的舞蹈，包含旋转、跳跃和手臂波浪动作"。系统通过 Veo 生成参考视频，然后提取专业舞者的精确姿态。GMR 框架将这些人体动作重定向到 Unitree H1 机器人上，考虑机器人的关节限制和平衡要求。
对于复杂的连续动作，团队使用 lastFrame 功能，提供起始和结束姿势图像，确保动作过渡平滑自然。通过参考图像功能，保持舞蹈风格的一致性。生成的动作在仿真环境中进行安全性和可行性验证，调整后直接部署到实际机器人。
舞蹈创作时间从数周缩短到数天，效率提升超过 80%
动作自然度显著提高，获得比赛评委的高度评价
能够快速尝试多种舞蹈风格，丰富表演内容
减少了机器人工程师和舞蹈编导的沟通成本
最终在比赛中获得冠军，展示了技术的先进性
实例 2：工业机器人技能培训 场景描述 ：一家大型制造企业需要培训工业机器人执行复杂的装配任务，如精密电子元件的安装。传统示教方法需要工程师手动引导机器人记录路径点，对于复杂动作效率低下且精度有限。新员工需要快速掌握多种装配技能，但传统培训周期长、成本高。
解决方案 ：企业引入 Video2Robot 系统建立技能培训管道。熟练技师的操作被多角度摄像机记录，系统提取精确的人体动作序列。通过运动重定向，这些动作被转换为工业机器人的运动指令，保持操作的精髓和技巧。
系统特别优化了精细操作的动作转换，如拧螺丝、插接连接器等。通过调整运动参数，适应不同型号的工业机器人。生成的技能模块存储在知识库中，新员工可以通过 VR 系统学习，机器人自动演示标准操作流程。
技能培训时间减少 70%，新员工快速掌握复杂操作
操作标准化程度提高，产品质量一致性显著改善
减少了人为操作错误，降低了废品率
建立了可复用的技能知识库，支持持续优化
整体生产效率提高 25%，培训成本降低 60%
实例 3：医疗康复机器人辅助治疗 场景描述 ：一家康复中心需要为患者提供个性化的运动康复训练，特别是中风后遗症患者的肢体功能恢复。传统康复依赖治疗师一对一指导，资源有限且难以保证动作的标准性。需要为康复机器人编程各种治疗动作，适应不同患者的恢复阶段。
解决方案 ：康复中心部署 Video2Robot 系统创建个性化康复方案。治疗师根据患者情况描述所需动作，如"缓慢抬起手臂至 90 度，保持 5 秒后缓慢放下"。系统生成相应的视频和机器人动作序列。机器人引导患者执行标准动作，实时监测执行情况并调整辅助力度。
对于渐进式康复，系统生成从简单到复杂的动作序列，随着患者恢复进展自动调整难度。通过参考健康人的动作视频，确保康复动作的正确性和有效性。系统还记录患者的执行数据，为治疗师提供量化评估依据。
康复训练标准化程度提高，治疗效果更加稳定
治疗师可以同时指导多名患者，效率提升 300%
患者康复进度加快，平均住院时间缩短 30%
建立了科学的康复评估体系，支持精准医疗
患者满意度显著提高，中心声誉大幅提升
实例 4：影视特效中的机器人角色动画 场景描述 ：一部科幻电影需要制作大量机器人角色的动画，包括战斗、奔跑、情感表达等复杂动作。传统关键帧动画制作周期长、成本高，且难以实现真实物理感。导演希望机器人动作既有机械特性又包含人性化表达，传统方法难以平衡。
解决方案 ：特效团队使用 Video2Robot 系统创作机器人动画。动作指导表演各种场景，系统记录并提取精确的动作数据。通过调整重定向参数，在保持人类动作精髓的同时增加机械特性，如限制关节活动范围、添加惯性效果等。
对于群体场景，系统批量生成变体动作，确保每个机器人动作相似但不完全相同，增加真实感。通过风格参考功能，保持不同机器人型号的动作特性一致性。生成的动作直接集成到电影制作管线，大幅缩短制作周期。
动画制作效率提高 400%，满足紧张的制作时间表
动作真实感和表现力获得导演和观众一致好评
降低了对外部动作捕捉工作室的依赖，成本控制更好
建立了可复用的动作资产库，支持续集制作
电影获得最佳视觉效果奖项提名
实例 5：教育机器人互动内容开发 场景描述 ：一家教育科技公司开发智能教育机器人，需要为不同学科创建丰富的互动动作，如科学实验演示、历史场景重现、语言学习互动等。传统内容开发需要跨学科团队合作，动作设计复杂且难以快速迭代。
解决方案 ：公司采用 Video2Robot 平台加速内容开发。学科专家描述教学场景，如"演示牛顿第三定律的作用力与反作用力"。系统生成相应的演示动作，机器人通过肢体语言生动解释抽象概念。对于语言学习，机器人配合词汇表演相应动作，增强记忆效果。
平台支持快速原型测试，教师可以立即看到机器人动作效果并提供反馈。系统根据反馈自动优化动作，形成快速迭代循环。建立了学科动作模板库，新内容开发可以基于现有模板快速调整。
教育内容开发速度提高 300%，快速响应教学需求
互动性和趣味性显著增强，学生学习积极性提高
降低了内容开发的技术门槛，学科专家可以直接参与
建立了标准化动作库，确保教学质量一致性
产品市场竞争力大幅提升，用户满意度达 95%
GitHub 地址
项目名称 ：Video2Robot - End-to-end pipeline: Video (or Prompt) → Human Pose Extraction → Robot Motion Conversion开发团队 ：AIM-Intelligence最新版本 ：初始版本，持续开发中开源协议 ：核心代码 MIT 许可证，但依赖的 PromptHMR 组件仅限于非商业科学研究使用主要语言 ：Python项目状态 ：活跃开发，已实现完整端到端管道 video2robot/
├── video2robot/ # 主包目录
│ ├── config.py # 配置管理
│ ├── pipeline.py # Python API 管道
│ ├── cli.py # 命令行入口点
│ ├── video/ # 视频生成处理模块
│ │ └── veo_client.py # Google Veo API 客户端
│ ├── pose/ # 姿态提取模块
│ │ └── extractor.py # PromptHMR 包装器
│ └── robot/ # 机器人转换模块
│ └── retargeter.py # GMR 包装器
├── scripts/ # CLI 脚本目录
│ ├── run_pipeline.py # 完整管道脚本
│ ├── generate_video.py # 视频生成脚本
│ ├── extract_pose.py # 姿态提取脚本
│ ├── convert_to_robot.py # 机器人转换脚本
│ └── visualize.py # 结果可视化脚本
├── configs/ # 配置文件目录
├── data/ # 数据目录（git 忽略）
├── third_party/ # 外部依赖（子模块）
│ ├── PromptHMR/ # 姿态提取模型
│ └── GMR/ # 运动重定向框架
├── web/ # Web 界面
├── .env.example # 环境变量示例
├── pyproject.toml # Python 项目配置
├── requirements.txt # 依赖列表
├── setup.py # 安装脚本
└── README.md # 项目主文档
端到端自动化 ：从文本或视频到机器人动作的完整自动化管道多模态输入 ：支持文本提示、视频上传、图像参考等多种输入方式先进模型集成 ：深度集成 Google Veo 3.1、Sora、PromptHMR、GMR 等前沿技术多机器人支持 ：兼容 Unitree G1/H1、Booster T1 等主流机器人平台智能环境管理 ：自动处理双 Conda 环境，简化部署流程交互式 Web 界面 ：基于 FastAPI 和 Viser 的完整可视化界面高级控制功能 ：支持 lastFrame 平滑过渡、referenceImages 风格保持模块化架构 ：每个组件可独立使用或替换，支持快速算法迭代生产就绪输出 ：标准化机器人运动数据格式，便于系统集成活跃社区支持 ：持续更新，跟进最新 AI 和机器人技术发展
git clone --recursive https://github.com/AIM-Intelligence/video2robot.git
cd video2robot
conda create -n gmr python=3.10 -y
conda activate gmr
pip install -e .
conda create -n phmr python=3.10 -y
conda activate phmr
cd third_party/PromptHMR
pip install -e .
GPU ：NVIDIA GPU，支持 CUDA，推荐 8GB 以上显存内存 ：16GB 系统内存，推荐 32GB 以上存储 ：SSD，至少 50GB 可用空间系统 ：Ubuntu 20.04+（推荐），Windows 通过 WSL2，macOS 有限支持Python ：3.10（GMR），3.10/3.11（PromptHMR）网络 ：需要访问 Google Veo/Sora API（可能需要代理）
官方文档 ：详细的 README 和代码注释问题反馈 ：通过 GitHub Issues 报告问题和建议学术合作 ：欢迎研究机构和学者合作开发许可证说明 ：核心 MIT，但 PromptHMR 组件限制非商业科学研究使用商业应用 ：商业使用需要获得 PromptHMR 作者的相应许可持续更新 ：活跃的开发迭代，定期集成新技术 Video2Robot 代表了 AI 与机器人技术融合的重要进展。在机器人日益普及的今天，如何让机器人执行自然、智能的动作成为关键挑战。项目通过整合最先进的生成式 AI 和运动重定向技术，建立了一个从高层意图到底层执行的完整桥梁。这种技术不仅降低了机器人编程的门槛，更开启了人机交互的新可能性。
从技术架构看，项目的模块化设计和清晰的接口定义体现了工程化的思维。研究人员可以专注于算法创新，而无需重复实现基础设施。这种分工协作模式极大提高了研究效率，使得更多创新想法能够快速验证。特别是对多个前沿开源项目的深度集成，展示了开源协作的力量。
从应用前景看，项目覆盖了娱乐、工业、医疗、教育等多个重要领域。随着机器人成本的下降和 AI 能力的提升，对高质量机器人动作的需求将快速增长。Video2Robot 为这些应用提供了关键技术支撑，有望推动相关产业的智能化转型。特别是在个性化服务、技能传递、创意表达等方面，展现了独特价值。
从社会影响看，项目降低了机器人技术的使用门槛，使得更多非专业用户能够利用机器人解决问题。这种民主化趋势有助于机器人技术的普及和应用创新。同时，项目强调的标准化和可复用性，有助于建立健康的机器人开发生态。
更重要的是，作为开源项目，Video2Robot 的透明性和可访问性促进了知识的传播和协作。全球的研究人员和开发者可以基于同一套代码基础进行创新，避免重复劳动，加速技术进步。这种开放协作的模式正是技术发展的核心动力。
随着多模态 AI 技术的不断突破和机器人硬件的持续改进，视频到机器人动作转换技术有望在未来几年实现更大突破。Video2Robot 作为这一领域的基础设施，将继续演进，集成更多先进算法，优化性能体验，降低使用门槛，为构建更加智能、自然、协作的人机共融世界贡献力量。
微信扫一扫，关注极客日志 微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
相关免费在线工具 加密/解密文本 使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
RSA密钥对生成器 生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
Mermaid 预览与可视化编辑 基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
curl 转代码 解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
Base64 字符串编码/解码 将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
Base64 文件转换器 将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
