剑二十七

dots.tts是由小红书人工智能实验室（RedNote Hilab）研发并免费开源的一款新一代 AI 语音合成（配音）系统。抛开复杂的技术术语，你可以把它简单理解为一个“拥有录音棚级音质的超级 AI 配音员”。你只需要输入一段文字，它就能用极其逼真、富有感情的声音把文字读出来，甚至能完美模仿任何人的声音。以下是它最核心的几个“超能力”，也是...

🎙️ MOSS-TTS：让文字拥有“千人千面”的超级嗓音一句话看懂：这是一个由复旦大学和模思智能联合开发的开源人工智能项目。它的核心本领就是把文字变成极其逼真、带有感情的真人声音。✨ 为什么它比传统的“机器朗读”更厉害？传统的配音软件听起来往往像没有感情的机器人，而 MOSS-TTS 拥有以下 5 大“超能力”：1. 🎭 神奇的“声音克隆”魔...

Fun-CineForge是阿里通义实验室（FunAudioLLM 团队）推出的一款非常强大的AI影视配音模型。如果用一句话来概括：它就像一个不知疲倦的“AI配音导演+全能配音演员”，能够直接给电影、电视剧或各类视频进行高质量的自动配音，而且对口型、分角色都不在话下。为了让你轻松了解这个模型，我们从它的核心能力、应用场景以及背后的黑科技三个方...

Marlin-2B 是一个会"看懂"视频的小助手，它能自动告诉你视频里发生了什么、什么时候发生的，还能根据你的描述快速定位到具体片段。🤔 它能帮你做什么？✅ 自动写视频"解说词"把一段视频交给它，它会像解说员一样，用文字告诉你：🎞️场景：办公室里，一位穿白衬衫的男士坐在电脑前工作⏱️事件：<0.0...

这是高德地图语音团队开发的一个AI语音合成工具，可以让电脑用自然的声音朗读文字，还能模仿不同人的声音、表达不同情绪。✨ 它能做什么？1️⃣模仿任何人说话只需录一段5-15秒的音频，AI就能学会这个人的声音比如：用你朋友的声音读你写的文字2️⃣带感情地朗读支持11种情绪：😊 开心、😢 悲伤、😠 生气😲 惊讶、😨 害怕、🤢 厌恶😐 严肃、🥺 关切...

Stable Audio 3 是 Stability AI（就是出 Stable Diffusion 那家公司）做的一款AI 音乐/音效生成工具。你只需要打字描述，它就能帮你生成一段音频——可以是一段背景音乐、一个音效、甚至是一首完整的歌。这个增强版把原来的英文界面全部翻译成了中文，还加了一些方便国内用户使用的功能。它能做什么？举几个例子你想...

基于 Stable Diffusion XL 的一站式 AI 绘画工作台，支持文生图、图生图与批量自动化生产，内置智能中文翻译，零门槛直接用中文描述生成高质量图像。一、三大核心创作模式1. 文生图（Text-to-Image）输入一段画面描述，AI 直接生成全新图像。智能中文提示词：输入中文即可，系统自动调用轻量翻译模型转为英文提示词；若输入...

Anima 动漫文生图基于 circlestone-labs/Anima 模型的图像生成工具。支持中文提示词自动翻译，生成结果自动保存至本地 output 目录。✨ 主要特性🎨 高质量动漫风格生成 – 专精二次元、动漫、CG 渲染。🌐 中文提示词自动翻译 – 使用...

FLUX.2 Klein 图像编辑工具：86个一键预设，打造专业级本地 AI 图像处理工作站一、项目概述在 AI 图像生成与编辑领域，FLUX系列模型以其卓越的图像理解能力和编辑精度备受开发者青睐。本文介绍的这套基于FLUX.2-klein的本地图像编辑工具，通过Gradio构建了一个功能完备的 Web 界面，集成了86个实用预设功能，支持多...

🎨 ERNIE-Image-Turbo 模型介绍【核心定位】• 极速生成：基于单流 Diffusion Transformer 架构，仅需 8 步推理即可完成高质量图像生成，速度提升 6 倍以上• 精准可控：强调对复杂指令的准确还原，适合需要内容精确落地的实用型创作任务• 轻量化部署：经蒸馏优化，可在 消费级显卡上流畅运行，大幅降低商用门槛【...

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...

FLUX.2-Klein-LoRA-Studio是一款基于 Gradio 构建的本地化图像编辑工作台，集成 Black Forest Labs 最新发布的FLUX.2-klein-9B多模态生成模型，支持通过 LoRA 适配器实现多样化图像编辑任务。⚡ 核心功能🔹 多图像输入编辑支持上传 1~2 张参考图：Picture 1（Base）：作为...

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...

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...

LongCat-AudioDiT 语音合成工具 - 功能说明🎯 主要功能本工具基于美团开源的 LongCat-AudioDiT 扩散模型，提供高质量的文本到语音合成，并支持零样本语音克隆（只需几秒参考音频即可克隆音色）。界面采用 Gradio 构建，操作直观，适用于中文和英文混合文本。📌 核心功能模块1. 模型选择支持 1B&nbs...

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...

FASHN VTON v1.5 是由 Fashn AI 推出的开源虚拟试衣项目。该项目基于先进的扩散模型技术，旨在解决电商、时尚设计和图像生成领域中“模特换装”的核心需求。它能够将任意一张服装图片逼真地“穿”在指定人物身上，同时保持人物的面部、姿态和背景环境高度一致。以下是该项目的详细介绍：1. 项目概述FASHN VTON v1.5 是一个...

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...

LuxTTS 项目介绍LuxTTS 是由开发者 Yatharth Sharma 创建的开源轻量级文本转语音（TTS）系统，专注于高质量零样本语音克隆与超高速推理。项目在保持卓越音质的同时，显著降低了计算资源需求，适用于资源受限环境下的语音合成任务。核心特性1. 零样本语音克隆仅需 3–5 秒参考音频即可克隆任意人声，无需针对目标说话人进行额外...

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...

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...

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...

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...