剑二十七

Z-Image-Turbo Generator 是一个基于 Tongyi-MAI/Z-Image-Turbo 模型的高性能AI图像生成应用。通过简洁直观的Gradio界面，用户可以轻松生成高质量的1024x1024分辨率图像，特别擅长生成具有中国传统文化元素与现代风格融合的艺术作品。✨ 核心特性⚡ 极致性能优化8步极速生成：仅需8个推理步骤即...

Qwen3-TTS 开源项目介绍Qwen3-TTS 是由 Qwen 团队开发的一系列强大语音生成模型，于 2026 年 1 月 22 日正式发布。该项目提供全面的语音生成能力，包括语音克隆、语音设计、超高质量类人语音生成和基于自然语言的语音控制，为开发者和用户提供了目前最广泛的语音生成功能集。核心特性1. 多语言支持Qwen3-TTS 覆盖 ...

Z-Image（造相）是阿里巴巴通义实验室（Tongyi MAI）推出的高效图像生成基础模型家族，以"小参数、高质量、极速推理"为核心设计理念，在开源图像生成领域树立了新的性能标杆。核心技术特点参数规模与架构：采用 60 亿参数（6B）的轻量级设计，基于创新的可扩展单流扩散 Transformer（S3-DiT）架构，将文...

卡点视频生成器是一款基于 AI大模型 智能视频自动生成工具，专为音乐爱好者、短视频创作者、自媒体运营者设计。它能根据你上传的音乐节拍/鼓点，自动从指定图片或视频素材中智能选取片段，生成节奏精准、视觉流畅的“卡点”视频，适用于抖音、快手、B站、Instagram 等平台。无需剪辑经验，一键生成专业级卡点视频！🎯 核心功能1. 🖼️ 图片卡点模式...

欢迎使用基于 Qwen-Image-Edit 模型的全功能 AI 图像编辑工具。本项目集成了先进的 SDNQ 量化技术，将庞大的大语言模型与扩散模型压缩至极致，在保持高质量输出效果的同时，大幅降低了显存占用并提升了推理速度。这不是一个简单的图像滤镜工具，而是一个能够理解复杂自然语言指令的“数字修图师”。通过动态加载专用的 LoRA 适配器，它...

Stability Matrix是由Lykos AI开发的一款革命性工具，专为简化Stable Diffusion的使用和管理而设计。作为一款多平台包管理器和推理用户界面，它极大地提升了Stable Diffusion的易用性和用户体验。核心功能多平台支持：Stability Matrix支持macOS、Windows和Linux系统，确保用...

HeartMuLa/heartlib：开源音乐基础模型家族深度解析项目定位与愿景HeartMuLa是一个全面的开源音乐基础模型家族，旨在推动跨任务与多模态的大规模音乐理解与生成技术发展。该项目不仅仅是一个单一的模型，而是一个完整的生态系统，涵盖了从音乐理解到完整曲目生成的全链条能力。其核心目标是为研究社区和开发者提供可复现、可扩展的音乐AI工...

Wan2GP 是专为“显卡资源有限”的用户打造的**开源视频生成工具箱**。它把目前最先进的文生视频、图生视频、视频编辑模型（Wan 2.1、Hunyuan Video、LTX Video 等）做了重度优化和封装，让只有 6-8 GB 显存的旧显卡也能跑得动、跑得快，并提供了一整套 Web 界面与周边工具，做到“开箱即玩”。一句话总结：**把...

Project AIRI 是一个基于大语言模型驱动的AI虚拟伴侣系统，旨在创建AI"女仆"（waifu）/虚拟角色的灵魂容器，将这些虚拟角色带入现实世界。该项目致力于重现Neuro-sama（一个知名的AI虚拟角色）的功能高度，完全由LLM和AI驱动。核心功能🎙️ 实时语音聊天支持与AI进行自然流畅的语音对话交互实现低延迟...

下面文字是作者原话这是一个离线运行的本地语音识别转文字工具，基于 fast-whipser 开源模型，可将视频/音频中的人类声音识别并转为文字，可输出json格式、srt字幕带时间戳格式、纯文字格式。可用于自行部署后替代 openai 的语音识别接口或百度语音识别等，准确率基本等同openai官方api接口。部署或下载后，双击 start.e...

🎨 FLUX.2 Klein 本地图像生成与编辑工具 —— 功能详解这是一款基于FLUX.2 Klein 模型的本地化 AI 图像生成与编辑工具，专为内容创作者、自媒体运营者和设计师打造。无需联网，完全离线运行，支持文生图与图生图编辑，界面简洁直观，开箱即用。🖼️ 功能一：文生图（Text-to-Image）输入一段中文或英文提示词，即可生成...

一、什么是 TTS？TTS（Text-To-Speech）是一种将文字转换为自然语音的技术，广泛应用于语音助手、有声书、导航播报、智能客服等场景。二、Qwen-TTS功能简介该项目提供了一个简单的 Web 界面（基于 Gradio），用户可以输入任意文本，并通过 Qwen 的 TTS 模型生成对应的语音文件。该工具支持中文和英文的语音合成。🔧...

EasyTTS（由 GitHub 用户 yunchenqwq 开发）是一个专注于中文语音合成的开源文本转语音（Text-to-Speech, TTS）系统，其核心目标是提供一个无需复杂依赖、无需训练、本地运行、开箱即用的高质量 TTS 解决方案。该项目特别针对中文用户在实际使用中常见的痛点（如多音字错误、语调生硬、部署困难等）进行了优化，强调...

FaceFusion这个AI换脸的项目已经太久没有更新了。作者终于在昨天更新了3.0，更新幅度大得惊人。这么久不更新，原来是一直在憋大招，这个CD冷却也太久了。。。我第一次时间就去做整合包了。本以为这还不是有手就行的事，但是有点难度。因为3.0更新太大了，所以之前版本的模型还有一些东西根本用不上了，我只能慢慢去研究了。搞半天最后把我的系统的c...

该项目聚焦于提升大语言模型（LLM）在实际应用中对提示语的理解与响应质量，旨在通过系统化的方法改进原始提示语的表达结构、清晰度和有效性，从而获得更准确、更稳定、更符合预期的模型输出。核心理念随着大模型在各类场景中的广泛应用，提示工程（Prompt Engineering）成为影响输出质量的关键因素。prompt-optimizer 的设计初衷...

—— 高清图像修复、增强与风格化处理工具本系统基于先进的 qwen 图片编辑模型 与 Nunchaku 量化技术 构建，结合 LoRA 微调模型支持，提供强大且高效的图像编辑能力。无论是老照片修复、人像增强、风景优化，还是黑白图上色，都能一键实现高质量输出。🔧 核心功能✅ 高清图像修复与增强支持上传任意分辨率图像（最小边自动放大至 1024p...

基于 image_gen_aux 和 Gradio 开发的通用图像增强工具。本项目集成了大量由 Phips 训练的高性能 AI 模型，支持图像去噪、去 JPEG 压缩痕迹、无损/有损放大以及动漫风格化处理。✨ 核心功能🤖 多模型支持：内置 60+ 种精选模型，涵盖 1x（修复）、2x（双倍放大）、4x（四倍放大）等多种分辨率增强需求。📱 移动...

Deep-Live-Cam是一款由hacksider开发并维护的创新性软件，旨在为快速发展的AI生成媒体行业贡献一份力量。该软件的主要功能是通过深度学习技术，实现实时的人脸替换与增强，为艺术家、设计师以及内容创作者提供了一个强大的工具，帮助他们以全新的方式创作和表达。项目概述Deep-Live-Cam的核心价值在于其广泛的应用场景。艺术家可以...

Qwen-Image-2512 图像生成器 一键整合包基于 Qwen3 大模型的专业级 AI 图像生成工具采用 BNB-NF4 4-bit 量化优化技术，在保障超高图像质量的同时显著降低硬件资源消耗，为创作者提供流畅、高效、稳定的 AI 绘图体验。搭载直观的 Gradio Web 界面，告别命令行，一键生成专业级图像。⚙️ 系统要求显卡：NV...

GPT-SoVITS是一个强大的开源工具，专注于少样本语音转换和文本到语音（TTS）的合成。该工具由RVC-Boss团队开发，并在GitHub上公开分享，为用户提供了一个灵活且功能丰富的平台，以满足语音合成的多样化需求。核心功能GPT-SoVITS的核心功能包括零样本和少样本TTS。零样本TTS允许用户仅通过输入一个5秒的语音样本，就能即时体...

一键修复老照片、智能上色、超清还原，去除水印 ，转动漫 ——全能AI图像编辑神器来了！beterpic造相 Z-Image-Turbo AI生图大模型 高性能AI图像生成工具 5秒一张图片 支持批量生图 一键整合包一键生成AI绘画提示词：让你的图片秒变顶级写真描述 跟之前的图片反推工具不同的是这个会思考 thinkpic视频4倍高清修复，一键...

Qwen-Image-Edit-2511 是由阿里云推出的新一代多模态图像编辑大模型，属于 Qwen 系列在视觉生成与编辑方向的重要迭代。该模型基于 Qwen-Image-Edit 系列的持续演进（如 2509、2511 版本），在保留原始图像语义结构和细节的前提下，支持高保真、高可控性的图像编辑任务。该模型主要特点包括：高保真图像编辑：在执...

🎥 FlashVSR 是什么？FlashVSR 是一个能让模糊、低清视频“秒变高清”的智能工具。它专门用来做一件事：把低分辨率的视频，快速、高质量地放大成 4 倍清晰度的高清视频。比如：把 480p 的老视频 → 变成接近 4K 的清晰视频让手机拍的模糊视频 → 变得锐利、细节丰富⚡ 它有什么厉害的地方？过去很多“视频超分”（放大变清晰）工具...

这个工具是做什么的？这个程序可以自动为你的人物照片生成一段“AI绘画提示词”。简单来说：你放一张人物照片进去，它就能写出一段详细、生动、充满吸引力的文字描述，这段文字可以直接用在 AI 绘画工具（比如 Stable Diffusion）中，让 AI 画出类似风格或效果的图片。例如，它会描述：人物有多美、眼睛多勾人、嘴唇多诱人；身材曲线多么火辣...

Snippai 是一款开源的 AI 截图分析工具，主打“截一下，秒懂一切”。它把传统截图工具的功能边界彻底打破：截完图后，AI 会自动识别图片里的内容并给出“下一步”服务，而不是简单保存一张图片。核心能力一览公式识别：截图里的数学公式直接变成可编辑的 LaTeX。文字提取：OCR 精准抓字，支持多语言，抓完还能顺手翻译。表格识别：把图片中的表...

这个工具我用来很长一段时间了，只是我居然一直忘记给大伙分享出来，直到昨天群里有人在问这样的工具。我才想起来把这个分享出来给大伙。虽然这个工具的标题叫视频翻译，实际上远远不只这些功能，我一直用这个工具来做字幕识别，比如我以前的教程那些字幕很多都是这个工具帮我做的。识别率也很高，超级方便。本来想今天一早就分享出来，但是事情比较多，又是瞎折腾的一天...

CosyVoice：基于大语言模型的先进语音合成系统CosyVoice 是一个由 FunAudioLLM 团队开发的开源文本到语音（TTS）系统，目前已迭代至Fun-CosyVoice 3.0版本。该项目基于大语言模型（LLM）架构，在语音合成领域实现了多项技术突破。核心技术特点Fun-CosyVoice 3.0作为最新版本，在内容一致性、说...

GLM-TTS是由ZAI 组织开发并开源的高质量文本转语音（Text-to-Speech, TTS）系统。它基于大语言模型（LLM），专注于实现可控、富有情感表达的零样本语音克隆，并通过多奖励强化学习框架显著提升传统 TTS 系统的自然度与表现力。核心特性🗣️ 零样本语音克隆仅需3–10 秒的目标说话人提示音频，即可克隆任意声音，无需微调或说...

🎙️ VibeVoice：你的超级AI配音员"把文字变成自然对话的魔法工具"🌟 什么是VibeVoice？想象一下，有一位永不疲倦的配音员，能一口气生成90分钟不间断的语音内容，还能在对话中自如切换不同角色的声音——这就是微软开发的VibeVoice，一款革命性的AI语音生成工具！💡 它能为你做什么？（实用场景）场景用途效...

昨天分享了roop的整合包支持AMD显卡来运行，今天分享的这个工具是roop的一个分支，虽然roop的作者已经弃更了，但是还有其他人继续更新。这就有产生了一个新的项目roop_unleashed。估计是这个项目出来并没有多久，所以知道的人不是很多，这2天我心血来潮就把这个项目也做了一个整合包，这个roop_unleashed是支持N卡的，但是...

DiffRhythm：基于差分节奏建模的通用音乐流派分类开源项目DiffRhythm是由ASLP实验室提出的开源项目，旨在通过创新的差分节奏建模（Differential Rhythm Modeling）框架解决音乐流派分类任务。该项目结合传统信号处理与深度学习技术，从节奏这一音乐核心要素出发，构建了具有强解释性和泛化能力的分类模型。其代码已...

VoxCPM 是一个支持中英文、零样本语音克隆、情感可控、音素/公式输入的统一端到端语音合成大模型。它不依赖传统 TTS 流水线（如文本分析 → 音素对齐 → 声码器），而是直接从文本生成高质量语音波形。🎯 目标：打造一个像大语言模型一样“通用、灵活、强大”的语音生成基础模型。🔧 核心特性（技术亮点）1. ✅ 端到端架构（End-to-End...