剑二十七

DRA-Ctrl 是一个由 Kunbyte-AI开发的开源项目，其核心目标是为扩散模型（Diffusion Models）提供一种可控的生成机制。该项目专注于实现对图像生成过程中的“区域感知控制”（Region-aware Control），即在图像生成过程中，允许用户对图像的不同区域施加不同的控制条件，从而实现更加精细化和结构化的生成效果。...

openaudio-s1-mini 是一个开源的音频生成模型，主要特点是能够将文本高效地转换为自然流畅的语音。下面是对该模型的详细介绍：基本信息模型名称：openaudio-s1-mini开源平台：ModelScope.cn开发者：FishAudio 团队主要特点高效的文本转语音能力：该模型经过大量数据训练，能够将输入的文本快速转换为自然流畅...

MiniMax-Remover是一个基于 minimax 优化的视频物体移除工具，旨在高效、高质量地从视频中移除指定对象，并生成视觉上无缝的修复结果。该项目由 Bojia Zi 等人开发，核心目标是实现 快速（Fast）、有效（Effective）和鲁棒（Robust）的视频内容编辑。核心特性两阶段训练策略第一阶段：使用简化版的 DiT（Di...

GSASR（Generalized and Efficient 2D Gaussian Splatting for Arbitrary-scale Super-Resolution），是由研究人员开发的一种新型的图像超分辨率技术。它的核心目标是：让图片“变清晰”，而且可以按任意倍数放大，不会失真或模糊。🌟 什么是图像超分辨率？简单来说，图像超...

Finegrain Image Enhancer开源图像增强工具通过人工智能技术将低分辨率图像转化为高分辨率版本，智能生成细节以提升画质 。核心功能超分辨率放大支持模糊或低分辨率图像放大（最高可达4倍），增强细节的清晰度和真实感 。细粒度参数控制提供增强强度、风格一致性等参数调节，允许用户进行精细化编辑 。结果可重复性通过种子管理保存特定增强...

Meissonic 是一个基于 Masked Generative Transformer的高效高分辨率文本到图像生成模型，旨在通过消费级显卡实现高质量的图像生成任务。该项目在 ICLR 2025 上发表，其核心目标是重新激发 Masked Generative Transformers 在图像合成中的潜力，并提供一种高效的推理方案。核心特性...

BAGEL 是一个由 ByteDance-Seed团队开发的开源多模态基础模型，具有 70 亿（7B）活跃参数（总参数为 140 亿），并在大规模交错的多模态数据（包括语言、图像、视频和网页数据）上进行了训练。该项目的目标是通过统一的架构来实现强大的多模态理解和生成能力，并进一步扩展到复杂的视觉操作任务。核心特点1. 先进的模型架构BAGEL...

1. 模型概述Chroma 是一个开源、无审查且面向社区构建的大模型。参数规模：Chroma 是一个拥有 89 亿（8.9B）参数的模型，基于 FLUX.1-schnell架构开发（技术报告即将发布）。它完全采用 Apache 2.0 许可证，这意味着任何人都可以自由使用、修改和在该模型基础上进行二次开发，无需企业或机构控制。训练状态：该模型...

F Lite是由 Fal AI与 Freepik联合开发的一个基于扩散模型的图像生成工具。它提供了一个轻量但功能强大的模型架构，并在数据合规性方面做出了显著努力。📌 核心特点✅ 合法合规的数据集训练模型仅使用了 8000 万张版权安全（copyright-safe）和 SFW（适合所有年龄层，Safe For Work）内容进行训练。数据来源...

一个专注于 AI 自动生成表情包（meme）的开源项目。它结合了人工智能技术，特别是图像生成和自然语言理解的能力，来自动创建有趣、符合网络文化风格的表情包。💡 主要功能：利用 AI 技术自动生成表情包（meme）支持根据用户输入的文字内容或模板生成带有幽默感的图片可能集成了图像生成模型（如 Stable Diffusion）、文本理解和模因风...

UVR5-UI是基于 python-audio-separator（即 UVR5 的命令行版本）开发的，提供了友好的可视化界面，使得用户无需掌握编程知识或命令行操作即可使用强大的音频处理功能。它支持多种模型和功能，包括：所有主流音源分离模型：VR Arch 模型MDX-NET 模型Demucs v4 模型Mel-Band Roformer 和...

Kolors 是一个“文字生成图片”的人工智能工具，你可以输入一段中文或英文的文字描述，它就能根据你的描述自动生成一张对应的图像。比如你写：“一只穿着西装的熊猫，在山顶上喝咖啡，背景是日出，风格是写实高清”它就能根据这段话，画出这样的一张图！🧠 它是怎么工作的？简单来说，这个 AI 模型已经学习了非常多的文字和图片之间的对应关系。所以当你输入...

   今天在网上逛的时候，无意发现这个模型，一个动漫图片生成的模型，感觉还不错，生成的动漫效果也还可以，所以就花了几分钟写了个界面，然后又汉化了下，感觉还可以，就随手发到群里，各位小伙伴要求分享出来，所以就打包上传上来了。这个模型是支持NSFW ，所以请勿用于任何非法途径，所造成的任何后果请自行承担，本人只做AI图片生成技...

JoyCaption 是一个开源的图像描述生成视觉语言模型（VLM），旨在为社区提供一个免费、开放且无审查的工具，用于训练扩散模型。以下是该项目的主要特点和相关信息：项目特点免费与开放：JoyCaption 以免费、开放的权重发布，没有使用限制，并且提供训练脚本及详细的构建细节。无审查：平等覆盖适合工作场合（SFW）和不适合工作场合（NSFW...

一个专注于将现代汉语句子转换为古汉语风格句子的创新项目。以下是对该项目的详细介绍：项目概述：该项目旨在通过先进的自然语言处理技术，实现现代汉语到古汉语风格的自动转换，为文化传承、文学创作等领域提供有力支持。技术背景：项目基于荀子基座大模型，该模型作为起点，为项目提供了强大的语言理解和生成能力。通过采用LoRA（Low-Rank Adaptat...

DreamO是一个由字节跳动开源的统一图像定制化框架（A Unified Framework for Image Customization），旨在通过先进的算法和技术，为用户提供高度灵活和高质量的图像定制化服务。以下是该项目的详细介绍说明：核心功能：图像定制化：DreamO允许用户根据需求定制图像，支持多种定制化任务，包括但不限于人物形象定...

KaKaDa是一款创新的答题辅助工具，它借助了阿里云开源的72B大模型进行问题推断，旨在为用户提供快速、准确的答题推荐。与传统的答题工具不同，KaKaDa直接显示推荐的选项，而不是先解释后展示文字答案，从而大大节省了用户的时间。一、主要功能OCR识别与推送：KaKaDa支持在问题界面使用Alt+Q快捷键截取完整的题目和选项，然后利用OCR技术...

Dia是一个由Nari Labs创建的文本转语音（TTS）模型，它拥有16亿（1.6B）参数，能够在一轮处理中生成超逼真的对话。这个项目的核心特点是其高度真实的语音生成能力，可以直接从文本中生成高度逼真的对话，同时支持通过音频条件来控制输出，实现情感和语调的调整。主要功能高度逼真的对话生成：Dia能够直接从文本中生成高质量的对话，无需多轮处理...

OmniGen 是一个由 VectorSpaceLab 开发的开源项目，旨在提供一个统一的图像生成模型，能够处理多种图像生成任务，而无需依赖额外的插件或复杂的预处理步骤。该项目的核心目标是简化图像生成流程，使其像 GPT 在语言生成中的应用一样灵活和高效。OmniGen 支持多种任务，包括文本到图像生成、图像编辑、主题驱动生成和经典计算机视觉...

UNO（Universal Customization）是由字节跳动公司开发并开源的一个通用自定义方法的项目，旨在解决单主体和多主体条件下的图像生成问题，具有很强的可控性和通用性。该项目通过提出一种高度一致的数据合成流程，利用扩散变换器的内在上下文生成能力，生成高一致性的多主体配对数据。UNO模型包含渐进式跨模态对齐和通用旋转位置嵌入，是从文...

FunAudioLLM/SenseVoice: Multilingual Voice Understanding Model 是一个专注于语音理解的开源项目，旨在提供高精度的多语言语音识别、语音情感识别和音频事件检测功能。这个项目由 FunAudioLLM 团队开发和维护，基于 FunASR 工具包构建，支持多种语言和方言，包括中文、英语、粤...

Edge TTS（Edge Text-to-Speech） 是微软推出的一款基于深度学习技术的文本转语音（TTS）工具，具有高质量语音合成、多语言支持、灵活配置和开源可扩展等特点，广泛应用于语音助手、电子书阅读、视频制作、教育及智能客服等领域。核心功能高质量语音合成Edge TTS 采用先进的深度学习技术，能够生成自然流畅、接近真人...

Orpheus-TTS是一个前沿的开源文本转语音（Text-To-Speech，TTS）系统，它基于Llama-3b这一强大的大型语言模型（LLM）构建。该项目展示了在语音合成领域使用大型语言模型的新兴能力，为用户带来了前所未有的自然语音体验。Orpheus-TTS的核心优势在于其人类般的语音表现。它能够生成具有自然语调、情感和节奏的语音，这...

LNMP一键安装包是一个用Linux Shell编写的可以为Linux服务器搭建网站环境的shell程序，LNMP代指Linux，Nginx，MySQL和PHP，相似的我们还可以到LAMP（Linux，Apache，Mysql，Php），WAMP（Windows，Apache，Mysql，Php）等等一键部署包。LNMP支持自定义Nginx、...

AudioX是一个创新的开源项目，专注于实现一种全新的音频与音乐生成方式。该项目由Zeyue Tian及其团队开发，并在GitHub上公开分享，为音频生成领域带来了革命性的突破。AudioX的核心是一个统一的Diffusion Transformer模型，旨在解决现有音频生成方法中的局限性，如模态隔离、高质量多模态训练数据稀缺以及多样化输入整...

虽然我已经分享了不少的抠图和视频抠像的工具，但是谁又会嫌弃好工具多呢？所以抽空做了这个BEN2的整合包，这个整合包最大的特点就是可以输出带有透明通道的webm视频格式。在图像和视频处理领域，前景分割技术一直是研究和应用的热点。无论是视频编辑、特效制作，还是人工智能驱动的内容生成，精准的前景分割都是实现高质量输出的关键。而今天我们要介绍的，是一...

ClearerVoice-Studio是由阿里巴巴达摩院通义实验室开源的综合性语音处理工具包，旨在为语音技术研究和应用提供高效解决方案。其核心功能覆盖语音增强、分离、目标说话人提取及超分辨率处理，通过融合复数域深度学习算法与先进模型架构，显著提升了复杂声学场景下的语音处理效果。技术架构与核心优势该框架采用复数域深度学习技术，通过FRCRN（复...

MeloTTS：高质量多语言文本到语音合成工具详解MeloTTS是由MyShell AI开发的一款开源文本到语音（TTS）合成工具，其核心目标是提供高效、自然的多语言语音合成解决方案。该工具通过深度学习技术实现了从文本到语音的流畅转换，支持包括英语、中文、日语、韩语在内的多种语言，尤其在中英混合发音场景中具有显著优势。以下从技术架构、核心功能...

LatentSync是由字节跳动联合北京交通大学推出的端到端唇形同步框架，基于音频条件潜在扩散模型（Latent Diffusion Models），旨在实现语音与唇形运动的高精度同步。该项目通过结合Stable Diffusion的生成能力与音视频联合建模技术，解决了传统方法依赖中间表示（如3D模型或2D关键点）的复杂性问题，直接生成动态逼...

本工具基于Tile-Upscaler二次开发，简单直接，操作点2下即可，图片高清修复效果还不错,处理速度我的4070tisuper一张1080x1920的图片大概8秒就可以完成高清修复。效果演示原图我个人觉得高清修复效果还可以。所以就花了点时间整合了一下，另外修改了部分代码1 修正一些小bug2 删除没用的演示例子3&nb...

MatAnyone是一个专注于人类视频抠图（Matting）的实用框架，其独特之处在于支持目标分配功能，并能在核心区域语义和精细边界细节上表现出稳定的性能。该项目由Peiqing Yang等人在2025年提出，并在CVPR（Conference on Computer Vision and Pattern Recognition）这一顶级计算...

InspireMusic是一个专注于音乐、歌曲和音频生成的开源项目，它提供了一个统一的框架来实现这些生成任务。以下是对该项目的详细介绍：主要功能音乐生成：支持文本提示、音乐类型、音乐结构等多种控制方式，可生成高质量的音乐作品。歌曲生成：能够根据用户的文本描述或音乐结构生成完整的歌曲。音频生成：可以生成各种类型的音频，包括但不限于背景音乐、音效...