剑二十七

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...

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...

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...

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...

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...

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...

大伙都知道，我直接分享过挂机流工作流，还有批量提示词工具。但是考虑到平时电脑也还有别的用途，老是用显卡来挂机生图，也是很耽误事。所以我就想利用各大平台的API来生成图片，这样就不会占用本地的资源又可以实现批量文生图的需求。所以今天花了一点时间做出来这个 AI文生图工具 27pic-api，暂时就取这个名字吧。远程调用魔塔的API&n...

AI-Writing 是一个旨在利用人工智能模型来辅助文本创作的开源项目。它可以帮助用户提高写作效率，适用于文章撰写、文案生成、内容润色、创意激发等多种场景。该项目可能整合了当前主流的自然语言处理（NLP）模型，比如 GPT、ChatGLM、BERT 等，以实现以下功能：✨ 主要功能特性自动续写根据用户输入的开头段落或句子，自动生成后续内容。...

📖 什么是27Watermark？27Watermark 是一款基于先进AI技术的智能视频和图片去水印工具。它使用最新的FLUX.1-Kontext模型，能够智能识别并移除视频和图片中的水印，同时完美保持原始内容的完整性和质量。🎯 核心功能✨ 智能去水印精准识别：AI自动识别水印位置和类型智能修复：用周围背景自然填补水印区域质量保持：保持原始...

ComfyUI 是一个基于节点（Node-based）的图形界面工具，专为使用 Stable Diffusion及其衍生模型进行图像生成而设计。它通过可视化的流程图方式，让用户无需编写代码即可构建复杂的生成工作流。🧩 1. 可视化流程图系统节点式编辑器：将每一个操作（如加载模型、输入提示词、图像采样等）封装为独立节点，用户可以通过拖拽连接这些...

这是热心网友万能君做的一个整合包，整合包里面已经包含了几个换脸项目和一些高清修复功能等，具体可以看下图截图所示。要顺利使用这个工具，必须做好以下几点第一个 这个工具只支持CPU+N卡。如果需要使用N卡，一定要先安装好驱动和CUDA。第二个 一定要安装好运行库。https://www.jian27.com/html/2290.html第三个 所...

🧠 什么是 Step-Audio-EditX？Step-Audio-EditX 是由 StepFun AI 团队开源的一款 30 亿参数（3B）的大语言模型（LLM）驱动的先进音频编辑系统，专注于 高表现力、可迭代、细粒度的语音编辑与零样本语音合成（TTS）。它不仅能高质量克隆任意人声，还能对语音的情绪、说话风格、副语言特征（如笑声、叹息等）...

腾讯 AI Lab 推出的一个 “AI 自动生成完整歌曲” 的免费工具。你只需要提供一段歌词，它就能帮你自动配上人声 + 伴奏，生成一首像模像样的歌，支持中文和英文！🎤 它能做什么？你写歌词，AI 唱出来：你只要写下带结构的歌词（比如“[主歌]……[副歌]……”），AI 会自动配上旋律、人声和背景音乐。支持风格定制：你可以指定歌曲风格（比如“...

基于 Ovis2.5-2B 多模态大模型 · 中文支持 · 批量处理 · 智能检索✨ 核心功能🔍 智能视频内容理解自动分析视频内容，生成结构化中文描述，包括：人物性别、年龄段（儿童/少年/青年/中年/老年）发型发色、服装款式与颜色动作行为（如跳水、游泳、站立、互动）场景环境（户外/室内、植被、天气、水域类型）3等等⚡ 高效批量处理递归扫描整个...

剑二十七 · 基于 ModelScope 模型 Macadam/macbert4mdcspell_v2 二次开发本系统采用先进的 MacBERT 预训练语言模型，专为中文文本拼写与语法错误检测与修正设计，支持任意长度文本、智能分段处理，并严格保留原始格式（包括换行、空行、标点等），适用于论文、公文、OCR 识别结果、手写转录等多种场景。✅ 核...

MOSS-TTSD 是由 OpenMOSS 社区开发的一个开源项目，主要聚焦于 文本到语音合成（Text-to-Speech, TTS）领域。该项目是 MOSS 系列模型生态的一部分，旨在提供高质量、低延迟的语音合成能力，适用于多种语言和场景。以下是对该项目的核心功能与技术特点的介绍说明：🎯 项目定位MOSS-TTSD 是一个专注于中文及多语...

琢磨了一天，把DeepSeek的本地部署彻底完成了，并测试了一下午基本完美运行了。当然AI环境你们必须要先安装好。然后下载这个这个本地部署压缩，解压即可完美运行。我的4070ti spuer 运行32b已经是极限了，所以我也只能把模型下载到32b了，如果你们有更牛的显卡，可以继续下载模型。这是我运行14b的截图 你们看看显...

SoulX-Podcast是由 Soul AI Lab 开源的一个面向播客场景的高质量、长篇、多说话人对话式语音合成（TTS）系统，专为生成自然、富有表现力、支持方言与副语言特征的播客音频而设计。🔍 项目核心特点1. 长篇多轮多说话人对话生成支持生成多人交替对话的播客内容（如主持人 + 嘉宾）；能处理长文本输入，保持语音连贯性和角色一致性；适...

本工具基于 Qwen3 系列轻量化大模型（Qwen3-0.6B 与 Qwen3-1.7B，GPTQ Int8 量化版本），专为图像生成（如 Stable Diffusion、Midjourney 等）用户设计，帮助你将简单粗糙的提示词自动优化为高细节、高表现力、风格明确的专业级描述。🔧 核心功能双模型可选Qwen3-0.6B：轻量快速，适合日...

🎧 什么是 MiMo-Audio？MiMo-Audio 是小米推出的一个能听、会说、还能创作声音的智能 AI 模型。你可以把它想象成一个“超级语音大脑”——不仅能听懂你说的话，还能模仿你的声音说话、讲故事、主持节目，甚至帮你把一段话变成不同风格的语音（比如更温柔、更激昂）。🌟 它厉害在哪里？不用专门训练就能学会新任务（Few-Shot Lea...