剑二十七

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...

MegaTTS3 是字节跳动开源的一个先进的文本到语音（TTS）合成系统，具有以下特点：🌟 核心特性1. 高质量语音合成基于扩散模型的语音生成技术支持高保真度的语音合成生成自然、流畅的语音输出2. 强大的语音克隆能力能够克隆特定人的声音特征只需少量参考音频即可实现声音复制保持原始音色的同时合成新内容3. 多语言支持支持中文、英文等多种语言跨语...

Ovis-U1 是由阿里巴巴AIDC-AI团队开发的一个先进的多模态大语言模型项目。这个项目专注于构建能够同时处理文本和图像信息的AI系统。核心特点多模态融合能力能够同时理解和处理文本与图像数据实现跨模态的信息理解和生成支持图文混合的输入输出场景统一架构设计采用统一的模型架构处理不同类型的模态数据简化了传统多模态系统中复杂的模块组合提高了模型...

在huggingface瞎逛的时候，无意中发现了这个开源的模型，真的超级强，聚集了N多风格lora模型，操作也是极其简单，感觉可能有小伙伴能用的上，就花了时间做了整合，并进行了小小的二次开发，自我感觉还行。整合包说明1 支持50系显卡，最低英伟达8G显卡可以运行，如果你的显卡刚好是8G的话，可能内存要超过30G,安装好你显卡能支持的最高版本c...

在网上瞎逛的时候，发现了这个模型，很不错，光影效果做出来很逼真，虽然我以前也做过一个类似的整合包，但是跟这个没法比，所以抽空进行了二次开发。🌟 Relighting Kontext [dev] LoRA v3 模型介绍Relighting Kontext [dev] LoRA v3是一个针对 FLUX.1-Kontext-dev模型优化的低秩...

UltraPixel是一个由华为诺亚方舟实验室联合香港科技大学共同开发的开源项目，旨在生成具有丰富细节的高质量图像，其分辨率范围可以从1K一直延伸至6K。该项目不仅优化了细节处理，还显著提升了整体图像效果，将超高清图像合成推向了新的高峰。项目背景与目的随着人工智能技术的不断发展，生成高分辨率图像成为了一个研究热点。然而，现有的图像生成模型在生...

FramePack 是一个开源项目，旨在通过创新的神经网络结构实现高效的视频生成。以下是对其的详细介绍：项目概述FramePack 是 “Packing Input Frame Contexts in Next - Frame Prediction Models for Video Generation” 论文的官方实现和桌面软件。它采用逐帧...

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...

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...

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...