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...

索尼人工智能研究院（Sony AI）发布的音效生成基础模型📌 项目定位Woosh是专为音效生成（Sound Effects）优化的多模态生成式 AI 模型套件，旨在为音频研究社区提供高质量的开源基座模型，支持文本到音频（T2A）和视频到音频（V2A）两大核心任务。🔗 技术报告：arXiv:2604.01929🧩 核心模块组成1️⃣ Woosh...

JoyAI-Image-Edit 是京东开源的多模态基础模型，专注于指令引导的图像编辑任务。它基于 JoyAI-Image 多模态底座构建，通过自然语言指令实现对图像的精确、可控编辑。🔹 核心技术特点1. 强大的空间理解能力场景解析：自动识别图像中的物体、区域及空间关系关系定位：精准理解"物体A在物体B左侧"等空间描述指令...

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...

我使用了一段时间，这个工具有点意思，说是浏览器，实际上更像一个收藏夹，可以收藏各种网址放在里面，系统默认就自带了几十条AI相关的网址。有了这个工具可以很方便的使用自己平时经常用到的一些AI网站。浏览器:Noi不仅包括人工智能网站，还允许添加任何URL，提供量身定制的浏览体验（Noi配置).提示管理:提供强大的定制选项，包括添加、同步、批量标记...

这个我得分享出来，因为这个东西确实是小工具但是有时候能派上大用场。你们看标题应该懂的都会懂了、Tai 免费开源的电脑软件应用使用时间记录工具Windows 上虽然自带有一些记录软件运行状态的工具，但却只是为了帮助系统运行，而不是专门为时间统计设计的。一款免费开源的软件使用时间记录工具-Tai，它是小巧轻量的，会在后台帮你统计&ldqu...

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...

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...

OmniVoice：600+语种的语音合成新纪元剑二十七 · 技术前沿🔹一句话了解由小米下一代 Kaldi 团队（k2-fsa）打造的超大规模多语言零样本 TTS 模型，支持600+ 语种，以卓越音质与极速推理，重新定义语音合成体验。✨ 核心能力一览🗣️全球语种覆盖支持 600+ 语言与方言，从英语、中文到低资源语种，一模型通全球。🔁声音克隆...

AiNiee 是一款专注于 AI 翻译的工具，主打一键自动翻译复杂长文本内容，涵盖游戏、书籍、字幕、文档等多种场景。其核心目标是通过智能化技术提升翻译效率与质量，同时支持广泛的文件格式和使用场景。核心功能格式全能，覆盖广泛深度支持游戏文本翻译，兼容 Mtool、Renpy、Translator++ 等游戏文本导出工具。轻松处理多种文件类型：I...

EditMGT（Masked Generative Transformer for Image Editing）是一个基于掩码生成式变压器的先进图像编辑框架，由字节跳动（ByteDance）主导研发，联合上海交通大学、新加坡国立大学、香港科技大学（广州）等高校共同完成。✨ 核心特点1. 技术创新采用**掩码生成式变压器（Masked Gene...

SoulX-Singer 是一个由 Soul-AI Lab 开发的零样本歌声合成（Zero-Shot Singing Voice Synthesis）开源项目。该项目旨在通过先进的深度学习技术，让用户能够在无需大量训练数据的情况下，克隆任意人的声音并用于歌声合成。核心功能1. 零样本音色克隆SoulX-Singer 的核心能力是零样本音色迁移...

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...

上面是这个工具的视频演示和教程。基本上是有手就行了。早几天分享的文字转语音工具，有小伙伴在问是否有人声替换工具？今天分享这个的工具 不仅是人声替换，还可以分离人声，AI唱歌就太简单了。像网上流传很广的孙燕姿唱周杰伦的歌这类的视频和教程已经很多了。我之前也不是没有研究过，但是一直没有分享是因为这类教程对于普通的小伙伴来讲入门的门槛有点高，操作...

ACE-Step是一个开源的音乐生成基础模型项目，旨在通过全面的架构设计克服现有音乐生成方法的局限性，并实现最先进的性能。以下是对该项目的详细介绍：项目背景与目标：ACE-Step项目针对当前音乐生成方法中存在的生成速度、音乐连贯性和可控性之间的权衡问题，提出了一种新的解决方案。项目的目标是建立一个快速、通用、高效且灵活的音乐AI基础模型，使...

SeedVR2 图像/视频超分工具这是一款基于 ComfyUI-SeedVR2_VideoUpscaler 官方推理 CLI 开发的图形化 Web 封装工具。它提供了一个现代化、汉化且高度可配置的网页界面，使用户无需编写命令行代码即可轻松对图片和视频进行高质量的 AI 超分辨率处理。核心功能1. 多模态与批量处理图片超分：支持单张图片或批量上...

之前分享的图片抠像，有些小伙伴在问是否有视频抠像的，那必须要有啊。这个工具我也是放在我的收藏夹里面好久了，今天就分享出来。我的好东西多的是就怕你们硬盘空间不够。这个软件解压后近8G。先看视频演示 这个开源项目真的是很良心了，抠像真的是不错，我个人觉得已经很媲美剪映那个抠像了。目前不支持N卡，我只能用cpu来跑，但是效率还可以，我10多秒的视频...

这个工具全部都是免费的。我记得之前有个叫什么白的工具貌似还收费，这个基本上你听说过的AI开源项目 它都有，而且还是一键安装。一个工具整合AI绘画、AI视频、AI语音，还有AI数字人的工具：AI 绘画，又能 AI 对话、AI 视频生成、AI语音生成，还能 AI 数字人支持 W...

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...

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...

青梧字幕是一款免费简单易用的AI字幕智能提取+翻译工具，原理是利用模型自动识别5音视频文件当中的音频并生成为对应的语种字幕，实现提取及翻译后续处理操作。目前暂支持windows及mac（M及intel系例处理器）系统环境，支持识别中文、英语、日语、韩语等99种语言。毕竟市面上已有众多类似的字幕软件2或在线网页版，无非要么限制提取时长要么各种套...

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...

🎵 VoiceSculptor - 指令驱动的语音合成模型📌 项目概述VoiceSculptor是由ASLP实验室（Audio, Speech and Language Processing Laboratory）开发的一款先进的指令式文本到语音（instruct text-to-speech）开源模型。2该项目代表了语音合成技术的前沿发展方...

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...

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...

今天因为有点事 需要去找下变声软件。早上已经分享了一款，没想到还是给我另外一款貌似更好用，设置更加简单的变声工具，也是免费使用。入梦自己开发基于RVC的AI变声器,永久免费给大家分享使用,数十种中精选音源一键切换,建议最低配置位N卡1060以上,CPU四核心以上主频大于3.0GHZ,包集成入梦虚拟声卡,AI降噪等,入梦工具箱等辅助工具,使用简...

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...

🎙️ 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...

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...