多模态生成
共 434 个仓库
基于 Kokoro 模型和 ONNX Runtime 的轻量级语音合成方案，用 Python 就能在本地跑出高质量 TTS，省去复杂环境配置。
MOSS-Image 是一个 50 亿参数的 DiT 基础模型，主打高质量文字渲染、布局生成和高效微调，适合需要精准控制文字与版式的文生图场景。
汇集 FLUX、Stable Diffusion、SDXL 等图像生成模型的训练与微调教程，涵盖 LoRA、DreamBooth、ComfyUI 和云端 Notebook 实操指南。
基于 FLUX 扩散 Transformer 的身份保持图像生成工具，上传几张人脸照片就能在换场景、换风格时保持长相一致，适合做个性化写真和照片重绘。
用置信度感知的姿态引导，从单张参考图生成高质量人体动作视频，解决动作视频生成中姿态不准、画面抖动的问题。
输入一个主题就能自动生成 Vox 风格的拼贴解说视频，从脚本、素材到 ffmpeg 合成全流程跑通，适合做科普短视频。
一个多模态语言 Agent 开发框架，把视觉模型和 LLM 编排在一起，帮你快速搭出能看能听的原型并推向生产。
Python 库和命令行工具，调用 Google 翻译的文本转语音接口，把文字快速合成语音并保存为音频文件。
在 Apple Silicon 上用 MLX 原生跑 FLUX、Qwen-Image 等前沿图像与视频生成模型，省去 PyTorch 依赖，让 Mac 本地出图更顺畅。
跨平台 AI 语言练习应用，基于 Electron 构建，接入 OpenAI 与 Azure 的对话和语音合成能力，让用户通过对话和朗读练习外语。
收录 840+ 条 Seedance 视频生成提示词案例，每条可溯源原始帖，附跨模型复测与可安装 AI 视频技能，帮创作者快速找到能直接用的提示词。
整理模型量化领域的论文、基准、综述和工具，覆盖低比特网络、大模型、多模态生成模型以及向量与格量化，方便做高效推理部署时查资料。
汇总文本到图像生成与合成领域论文、模型和资源的综述清单，方便快速了解 GAN、多模态等方向的研究进展。
GLM-4.6V/4.5V/4.1V-Thinking 系列视觉语言模型，通过可扩展强化学习提升多模态推理能力，支持图像理解、视频理解和图文问答。
开源文本转语音工具，能把超长文本拆成多角色配音，适合做有声书和长内容朗读。
汇总视频扩散模型相关论文与资源的综述清单，覆盖文本生成视频、视频编辑等方向，帮研究者快速摸清领域脉络和代表工作。
端到端重放 ChatGPT Plus/Team/Pro 订阅协议的逆向工具集，自带从零实现的 hCaptcha 视觉求解器，用于反欺诈机制实证研究。
把视频按场景切分、去重抽帧并配上字幕文本，让 Claude 等大模型真正「看懂」视频内容，支持 URL 或本地文件，全程本地运行。
能实时生成长视频的扩散模型，支持图生视频和交互式长上下文生成，解决长视频生成速度慢、画质难兼顾的问题。
按子领域整理的扩散模型论文合集，覆盖图像编辑、分割、检测、少样本等方向，方便快速定位相关研究。
用 PyTorch 复现 VALL-E 零样本语音合成，只需几秒参考音频就能克隆音色朗读任意文本。
基于 PyTorch 的多语言语音合成工具包，支持 7000 多种语言的可控快速 TTS，可训练和微调自己的语音模型。
本地离线的 AI 音频与音乐工作站，支持语音合成、声音克隆、带歌词歌曲和多轨乐谱生成，无需联网和 API 费用。
用微软 Edge 的在线语音合成能力，自建一个免费、高质量的 TTS 接口，直接替换 OpenAI、Azure 或 ElevenLabs 的付费语音服务。