轻量级端到端文本到语音模型

基于深度学习的高质量文本到语音合成模型

基于MaskGCT模型的文本到语音演示

使用文本生成音乐的模型

开源的音乐生成模型

从单张图片创建全身动态说话头像

8B参数变分自编码器模型，用于高效的文本到图像生成。

轻松在远程GPU上运行本地笔记本，Moonglow官网入口网址

通过测试时间缩放显著提升视频生成质量。

LLaSA： 扩展基于 LLaMA 的语音合成的训练时间和测试时间计算量

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

开源自回归视觉生成模型项目

微软开源的视频分词器家族

使用Llama模型的语音合成工具

AI云平台，为所有人服务

视觉语言模型增强工具，结合生成式视觉编码器和深度广度融合技术。

零样本风格化情侣肖像创作

深度推理翻译模型，通过长思考链优化神经机器翻译。

从零开始学习深度学习，实现GPT模型，zero_to_gpt官网入口网址

F Lite 是一款 10B 参数的扩散模型，专注于合法和安全内容。

强大的语言模型，支持多种自然语言处理任务。

一款先进的视觉推理模型，能分析图片和视频内容。

实现灵活且高保真度的图像生成，同时保持身份特征。

Huginn-0125是一个35亿参数的潜变量循环深度模型，擅长推理和代码生成。

Tarsier 是由字节跳动推出的用于生成高质量视频描述的大型视频语言模型。

BEN2是一个基于深度学习的图像分割模型，专注于背景擦除和前景提取。

Frames 是 Runway 推出的高级图像生成基础模型，提供前所未有的风格控制和视觉保真度。

OmniThink 是一种通过模拟人类思考过程来提升机器写作知识密度的框架。

InternLM3-8B-Instruct是一个开源的80亿参数指令模型，用于通用用途和高级推理。

高质量身份保留的人像动画合成工具。

快速因果视频生成器，实现即时视频生成。

音乐生成模型，通过控制网络进行微调。