剑二十七

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【...

AI_NovelGenerator 是由 YILING0013 开发并开源在 GitHub 上的一款 基于大语言模型的 AI 长篇小说自动生成工具。它专注于解决 AI 写作中最棘手的长文本连贯性问题，能够创作多章节长篇小说，并确保剧情连贯、设定统一、伏笔合理呼应。核心定位"让 AI 从写作玩具变成生产力工具"传统 AI 写...

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...

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...

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...

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...

Easy-Voice-Toolkit 是由 Spr-Aachen开发的一款开源、用户友好的 AI 语音工具箱，旨在为开发者、研究人员和爱好者提供一站式、本地化部署的语音处理解决方案。项目设计注重易用性与功能性，支持多种主流语音任务，适用于科研实验、产品原型开发、语音助手构建等多种应用场景。🌟 核心特性本地部署：所有功能均可在本地运行，保障数据...

LM Studio是由lmstudio.ai提供的一款强大而灵活的本地大模型部署工具。它不仅降低了机器学习的使用门槛，还为用户提供了一个安全、高效、隐私保护的环境，以便在本地运行各种大型语言模型。首先，LM Studio具备强大的离线使用能力。这意味着用户无需互联网连接即可运行模型，极大地提升了使用的便捷性和灵活性。对于那些需要保护数据隐私或...

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...

DeepChat 是一个功能丰富的开源 AI 聊天平台，支持多种云端和本地大型语言模型（LLM），并具备强大的搜索增强和工具调用能力。它为用户提供了一个统一的界面来交互各种主流 AI 模型，无论是使用 OpenAI、Gemini、Anthropic 等云服务，还是本地部署的 Ollama 模型。作为一款跨平台的 AI 助手应用，DeepCha...

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...

ChatLab 是一个免费、开源、专注于本地化聊天记录分析的桌面应用，致力于在保护用户隐私的前提下，利用 AI 与 SQL 引擎对社交数据进行深度挖掘与可视化。项目核心理念是“把分析能力留在本地，不上传你的聊天记录”。核心特点：本地优先，隐私保障所有聊天记录和用户配置均存储于本地 SQLite 数据库，分析过程完全在本地完成（AI 功能除外）...

Everywhere 是一个具有上下文感知能力的交互式 AI 助手开源项目，其核心理念是“所见即所助”——无需截图、复制或切换应用，用户只需按下快捷键，AI 就能即时理解当前屏幕上的任意内容，并提供精准的辅助。该项目强调无缝集成与实时响应，具备以下典型能力：错误诊断专家：当用户遇到未知错误信息时，可直接在错误附近调用 Everywhere，它...

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...

lobehub/lobe-chat 是一个开源的、现代设计风格的 ChatGPT/大语言模型 (LLMs) 用户界面 (UI) 和框架。它旨在为用户提供高度灵活和可扩展的 AI 对话体验，支持多种大型语言模型（如 OpenAI GPT、Anthropic Claude、Google Gemini 等），并具备丰富的功能，使其适用于个人用户、开...

CapsWriter 是一款免费开源且可完全离线识别的语音输入工具，无需担心因在线版本识别带来的各种隐私泄露问题。支持win7及以上的系统，已经更新融合了语音输入以及音视频文件实现字幕转录的功能。相比某些必须在线识别又或者需要付费又有时长限制的app、软件或网站而言，此款良心多了，基本能满足大部分场合需求如会议记录或键盘失灵等。有需自取~~~...

Ollama是一款功能强大的开源工具，旨在帮助用户轻松地在本地部署和运行大型语言模型（LLM）。这款软件的出现，极大地降低了普通开发者使用大语言模型的门槛，使得本地部署和体验大模型变得简单易行。无论是对于想要搭建自己AI应用的开发者，还是希望针对特定任务调优模型的科研人员，Ollama都是一个不可或缺的工具。首先，Ollama具备跨平台的能力...

ChatWise是一款专为桌面设计的多功能、高性能 AI 聊天工具。它支持多种主流大语言模型（LLM），具备多模态交互能力，并强调隐私保护与本地化使用体验。✨ 主要功能与特点1. 支持任意语言模型（Any LLM）兼容市面上主流的语言模型服务，包括：OpenAI 的 GPT-4、GPT-4oAnthropic 的 Claude（包括 Clau...

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...