多模态生成
共 434 个仓库
一份持续更新的异常检测资源大全，汇总书籍、论文、视频和工具箱，覆盖传统方法与最新的 LLM、VLM 工作，适合快速入门和跟进前沿。
基于多模态大模型的 GUI 智能体家族，能看懂手机和电脑界面并自动点击操作，帮你完成跨 App 的自动化任务。
基于 so-vits-svc 改进的歌声与语音转换工具，支持实时变声、更友好的操作界面和更多功能，适合做 AI 翻唱和音色克隆。
A sound cloning tool with a web interface, using your voice or any sound to record audio / 一个带web界面的声音克隆工具，使用你的音色或任意声音来录制音频
把 EPUB 电子书转成有声书的 Python 工具，基于 Kokoro 语音合成模型，适合想批量制作个人音频书的人。
用两小时从零训练一个 65M 参数的多模态视觉语言模型，代码和流程完整，适合低成本复现 VLM 训练与对话实验。
基于 VITS2 骨干网络和多语言 BERT 的语音合成模型，能生成自然度较高的多语种语音，适合做 TTS 训练与推理。
基于下一尺度预测的自回归视觉生成模型，用GPT式架构做图像生成并击败扩散模型，代码简洁易用，附带缩放定律研究。
多音色、支持提示词控制情感与风格的语音合成引擎，输入文本即可生成带情绪表现力的自然语音，适合做有声内容和虚拟人配音。
在骁龙设备的 NPU、GPU 和 CPU 上本地跑大模型和多模态模型，几行代码就能接入，省去自己适配硬件的麻烦。
基于苹果 MLX 框架的语音处理库，在 Apple Silicon 上高效完成语音合成、语音识别和语音转换，适合本地跑多模态语音任务。
ERNIE 4.5 系列大模型与配套的工业级开发工具包 ERNIEKit，基于 PaddlePaddle，支持大语言模型和多模态模型的训练、微调与推理部署。
支持中英日韩法西六种语言的高质量语音合成库，适合需要多语种 TTS 能力的应用直接集成。
给 ChatTTS 套了个本地网页界面，输入文字就能合成语音，还能对外提供 API 接口，省去自己写前端和接口的功夫。
面向全模态模型的高效推理框架，支持图像、视频、音频生成与多模态模型服务，基于 PyTorch 提供统一的推理与部署能力。
通用 AIGC 视频引擎，把剧本到成片串成一条流水线，覆盖漫剧、广告、电商和乙游等场景，省去多工具拼接的麻烦。
一站式 WebUI，基于 Diffusers 和 PyTorch 统一完成 AI 图像与视频生成、打标和后期处理，省去在多个工具间切换的麻烦。
Google 开源的智能体应用开发框架，支持 JavaScript、Go、Dart 和 Python，内置 LLM 调用、多模态、RAG 与向量检索能力，帮开发者快速搭建生产级 AI 应用。
精选 GPT、ChatGPT、PaLM 等大模型的提示工程资源合集，涵盖提示设计、少样本学习与提示生成等实践资料，方便快速查找和上手。
自部署的 AI 视频工作台，能把小说和剧本自动拆成角色、场景、道具资产与分镜，生成视频并导出剪映草稿，还支持跨镜头一致性和多供应商费用追踪。
基于大语言模型的语音合成系统，能生成接近真人音色的自然语音，并支持实时流式输出，适合搭建低延迟的 TTS 服务。
用 Stable Diffusion 做音频驱动唇形同步，让视频或虚拟人像的口型与语音对齐，适合做数字人和视频配音。
预训练语音合成模型集合，支持俄语、亚美尼亚语等多种语言，几行代码就能把文本转成语音，省去自己训练模型的麻烦。
基于微软语音合成接口的桌面工具，用 Electron + Vue 构建，输入文本即可生成语音并导出音频文件。