剑二十七

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“...

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...

基于 Qwen3-VL-4B-Instruct 的多模态智能交互平台📌 简介本应用是一个基于 通义千问 Qwen3-VL-4B-Instruct 大模型的多模态推理系统，支持对 图像、视频、PDF 文档、GIF 动图 等多种媒体内容进行智能理解与分析，并能自动生成精准描述、解答问题或提取关键信息。借助 Gradio 构建的直观 Web 界面，...

🐳 DeepSeek-OCR 智能图像文字识别工具 — 使用说明🌟 这是什么？这是一个智能图像处理工具，可以自动从你上传的图片中：识别文字内容把文档转成 Markdown 格式（适合写博客、笔记）解析图表数据（比如柱状图、折线图里的数字）定位图片中的特定内容（比如“找出老师在哪里”）它基于先进的 AI 模型（DeepSeek-OCR），由剑二...

DreamOmni2 是一个“万能图像编辑器” —— 你给它两张图 + 一句指令，它就能智能地把第一张图“改”成你想要的样子，参考第二张图的风格、内容、细节等。🖼️ 它能做什么？（举几个例子）你想做什么DREAMOMNI2 能做到把照片里的衣服换成另一件✅ 上传原图 + 新衣服图 + 指令：“把第一张图的衣服换成第二张的”让人物发型和参考图一...

🎙️ Kani TTS — 高质量、模块化、类人语音合成开源项目Kani TTS 是一个由 nineninesix-ai维护的开源文本到语音（TTS）系统，致力于从文本输入生成高质量、自然流畅的语音。项目支持本地独立运行与Web 流式服务，适用于开发、研究及个性化 TTS 场景。GitHub 仓库地址：https://github.com/n...

这个工具基于AI大模型BiRefNet文件二次开发。可以对视频进行抠像。速度快，效果也不错。对显卡占用很低，8G的英伟达显卡就可以流畅运行了。操作极其简单，无需任何基础 会点鼠标即可。下面截图几张抠像效果演示20241209 v1.1 更新记录1 保留白色和黑色背景这2种视频抠像，新增了一个自定义背景图片抠像。2...

BiRefNet 是一个专注于 高分辨率二值图像分割（Dichotomous Image Segmentation, DIS） 的开源深度学习模型。它在背景移除、前景提取、掩码生成等任务中表现出卓越性能，广泛应用于：图像编辑与合成视觉特效处理自动抠图（无需 Trimap）数字内容创作（如 Blender 插件、AI 绘画工具集成）🚀 核心特性...

IndexTTS是由B站推出的一款基于XTTS和Tortoise的GPT风格文本转语音（TTS）模型。该项目在中文文本转语音领域展现出显著的技术优势和应用，以下从项目背景、技术架构、应用场景、社区支持及未来挑战五个维度进行详细介绍。一、项目背景：重新定义中文TTS技术标杆IndexTTS的诞生旨在解决传统TTS系统在中文语音合成中的两大核心痛...

FireRedTTS 是一个开源的文本转语音（Text-to-Speech, TTS）项目，由 FireRedTeam 开发并维护。该项目致力于提供高质量、低延迟、易于集成的语音合成能力，适用于多种应用场景，如语音助手、有声读物生成、无障碍访问、智能客服等。项目基于深度学习技术，采用了先进的神经网络架构（如 Tacotron、FastSpee...

这是一个傻瓜式 AI 图像工具，你只需要：输入一段文字描述（比如：“一个穿汉服的美女在大树下微笑”）点一下“开始处理”等几秒～几分钟 → AI 自动生成一张精美图片！你还可以：✏️ 编辑已有图片：上传一张图，告诉 AI “把她的头发染成蓝色”、“加一只猫”、“换成海滩背景” → AI 自动修改！📸 批量生成：一次输入 10 行、100 行描述...

Wan2.2-TI2V-5B 是一个基于 Transformer 架构的文本到视频（Text-to-Video）生成模型，具有以下特点：🔧 核心特性50亿参数规模：大型 Transformer 模型，具备强大的视频生成能力文本生成视频（T2V）：直接根据文本描述生成视频内容图像生成视频（I2V）：基于参考图像生成相关视频内容高分辨率支持：支持...

🌟 USO：字节跳动开源的内容与风格解耦统一框架🔍 项目简介USO (Unified Style-Subject Optimized) 是字节跳动UXO团队推出的创新性开源项目，全称为"内容与风格解耦与重组统一框架"。该项目旨在解决图像生成领域中长期存在的风格与内容难以平衡的技术难题，为AI图像创作提供更灵活、更高质量的解...

YuE 是由 Multimodal Art Projection (MAP) 团队推出的开源音乐生成基础模型项目，旨在推动开放、可控、高质量的 AI 音乐生成技术发展。该项目专注于实现从文本（如歌词和风格描述）到完整歌曲的端到端生成，是当前 AI 音乐领域中一个功能强大且具有前瞻性的开源解决方案。核心特点与技术亮点全曲生成 (Full-Son...

心血来潮，想试试FLUX.1-Kontext-dev 这个新出的模型，但是奈何显卡不是很牛X，生图效率不够高，所以找了下，发现nunchaku 双截棍 这个量化模型还不错，就花了点时间学习下。然后又花点时间写了个界面，方便大伙来玩玩这个。 我的4070ti spuer 16G 30步 出1024x1024 大概30秒，显卡占用不到4G，这个效...

HunyuanVideo-Foley 是一个基于深度学习的音效生成系统，能够根据输入的视频内容，自动识别其中的视觉动作和场景（如脚步、关门、物体碰撞等），并生成与之同步、逼真的环境音效或动作音效。这类技术在影视后期、短视频制作、游戏开发、虚拟现实等领域具有广泛的应用前景，能够显著降低人工配音效的成本和时间。🔧 核心功能视频驱动音效生成（Vid...

InfiniteTalk 是由 MeiGen-AI 团队开发的先进开源项目，专注于解决长视频生成中的关键挑战——实现无限长度的高质量会说话视频生成。该项目突破了传统数字人技术的时长限制，能够生成任意长度的自然流畅的"会说话"视频内容。核心功能与特点1. 无限长度视频生成突破性技术：解决了传统TTS(文本转语音)和数字人视频...

🔮 什么是 CyberFortune_Telling？这是一个基于人工智能模型驱动的虚拟占卜系统。它可能结合了自然语言处理、生成模型与命理知识库，能够根据用户输入的信息（如生辰、问题、关键词等），生成个性化的运势解读、塔罗牌占卜、星座分析或签文预测等内容。界面充满赛博朋克美学，科技感与神秘主义交织，带来前所未有的互动体验。🤖 技术亮点：基于M...

本工具基于Ovis2-4B和Ovis2-2B 这2个大模型制作而成。其实早之前我就有分享过反推提示词工具 moondream，但是我昨天遇到了这个大模型，发现功能更加强大，反推出来的提示更加丰富，更多细节描述。这个工具要求显卡比较低，英伟达显卡6g及以上就可以愉快玩耍了我用同一张图片反推提示词下面是Ovis2-4B生成的提示词The...

我在网上瞎逛的时候，发现了这个模型还不错，就花点时间做了二次开发。Shuttle Jaguar 是一款由 ShuttleAI 开发的文本生成图像（Text-to-Image）人工智能模型，专注于生成具有高度审美感、电影级质感和逼真视觉效果的图像。该模型能够在仅需 四步推理 的极短时间内，将自然语言描述的文本提示（prompt）转化为高质量的图...

AI-Clothes-Changer 是一个基于深度学习的交互式图像生成项目，旨在实现“虚拟试衣”功能 —— 用户上传一张人物穿着衣服的照片，再上传一件想要试穿的服装图像，系统即可将目标服装自然地“穿”在人物身上，生成逼真的换装效果图像。🔍 核心功能虚拟换衣（Virtual Try-On）输入：一张人物全身照 + 一件衣服的正面图像（如 T ...

EchoMimic是一个由阿里巴巴推出的开源AI数字人项目，该项目在数字人技术领域内实现了显著的创新与突破。以下是对EchoMimic的详细介绍：一、项目背景与意义随着人工智能、深度学习、计算机视觉以及自然语言处理技术的飞速发展，数字人技术逐渐成为连接现实世界与虚拟世界的重要桥梁。EchoMimic项目的诞生，旨在通过先进的技术手段，将静态图...

FLUX.1 [Krea-dev] —— 是 Black Forest Labs 推出的 FLUX.1 系列文本到图像生成模型的一个变体，专为设计类应用优化。一、模型背景1. 开发者：Black Forest Labs由前 Stability AI 核心团队成员（包括部分 Stable Diffusion 开发者）创立。2024 年推出 FL...

HYPIR 是由 XPixel Group（一个专注于图像恢复与底层视觉研究的学术团队）提出的一种基于混合先验的图像恢复模型。该项目的核心目标是解决图像在退化过程中（如模糊、噪声、压缩等）丢失的细节信息，通过引入数据驱动先验与模型驱动先验的融合机制，实现高质量的图像复原。HYPIR 的名称来源于其核心思想：Hybrid Prior（混合先验）...

SWivid/F5-TTS 是一个开源项目，旨在提供一个基于 Diffusion Transformer 和 ConvNeXt V2 架构的文本到语音（TTS）系统，该系统名为 F5-TTS。F5-TTS 的全称是“A Fairytaler that Fakes Fluent and Faithful Speech with Flow Mat...

HiggsAudio 是由 Boson AI 开发的开源文本转语音(TTS)系统，基于先进的深度学习技术，能够生成高质量、自然的人声。该项目在 GitHub 上开源，提供了强大的语音合成能力。🌟 项目亮点🎵 高质量语音生成生成接近真人发音的语音支持多种语言和口音能够处理情感表达和语调变化🏗️ 先进的模型架构基于 Transformer 的端到...