昨日之日2006-CSDN博客

原创 Orpheus-TTS - 像真人一样自然逼真的语音合成系统文本转语音，TTS 本地一键整合包下载

它能够生成自然、富有情感且接近人类水平的语音，具备零样本语音克隆能力，无需预训练即可模仿特定语音。超低延迟‌：Orpheus TTS的默认延迟约为200毫秒，通过优化输入流与模型的KV缓存，可以将延迟降低至25-50毫秒，完全满足实时对话的需求‌。零样本语音克隆‌：Orpheus TTS基于Llama-3b架构，具备零样本复刻任何人声的能力，无需预训练即可模仿特定语音‌。情感表达‌：该模型能够生成自然、富有情感的语音，支持丰富的语调变化，能够细腻地捕捉人类的情感，显著提升用户的交互体验‌。

2025-04-03 08:47:10 170

原创 MegaTTS3 - 字节开源高保真语音克隆、文本转语音软件中英混搭无缝切换本地一键整合包下载

MegaTTS3 不仅能在普通的设备上流畅运行，还能生成自然、逼真的语音，支持中英混合场景和灵活的口音控制。上传参考音频和NPY文件，官方介绍，处于安全目的，目前只支持固定的示例音色生成，暂不支持上传自己的音色（可以把参考音频提交给官方，由官方审核通过，生成NPY才能使用）个性化语音生成‌ 语音助手、虚拟主播等场景中生成与特定人物音色一致的语音‌。高质量语音克隆：可模拟目标说话人的音色、语气、节奏，生成高度拟真的合成语音。多媒体内容创作‌ 自动化生成影视配音、有声读物，降低人工录制成本‌。

2025-04-03 08:46:00 187

原创 InspireMusic - 阿里通义实验室开源音乐生成框架支持音乐、歌曲、音频生成本地一键整合包下载

InspireMusic 不仅为研究者和开发者提供了丰富的音乐/歌曲/音频生成模型的训练和调优工具，还为他们配备了高效的模型，以便优化生成效果。InspireMusic 是阿里通义实验室开源的一个用于音乐生成的统一框架，旨在打造一个集音乐、歌曲及音频生成能力于一体的开源工具包，为研究者、开发者及音乐爱好者提供一个全面的创作平台。InspireMusic-1.5B-Long：预训练音乐生成 1.5B 模型，48kHz，支持 5 分钟以上的长格式音乐生成。2、通过不同的音乐类型、曲式结构标签来控制生成音乐。

2025-02-16 16:16:10 882

原创 Sana - 比FLUX快100倍！英伟达联手MIT、清华开源超快AI图像生成模型本地一键整合包下载

在4K 图像生成方面，Sana-0.6B 的吞吐量比目前最先进的方法（FLUX）快100多倍，在1K 分辨率下快40倍。在配备 RTX-4090GPU 的消费级设备上，生成1024×1024分辨率的图像只需0.37秒，为实时图像生成提供了强大的基础模型。此外，Sana-0.6B 可以部署在16GB 的笔记本电脑 GPU 上，生成1024×1024分辨率的图像只需不到1秒钟，Sana 使低成本的内容创作成为可能。支持批量生成，为每次生成设置不同的提示词和参数，添加到队列，最后生成队列即可。

2025-01-20 17:00:54 251

原创 FitDiT - 腾讯联合复旦开源的轻量版高保真虚拟试衣模型 4G显存可使用本地一键整合包下载

FiTDiT 是腾讯和复旦大学联合推出的一种利用 DiT 的新型服装感知增强技术，旨在实现高保真虚拟试衣。与传统的基于 U-Net 的 LDM 相比，FiTDiT 能够将更多参数和注意力分配给高分辨率特征，从而更好地保留服装纹理，并达到尺寸感知的试衣效果。且FiTDiT对硬件资源占用做了优化，不同算法的性能对比，分辨率为768x1024，20步去噪。上传一张模特图片，一张衣服图片（支持上半身、下半身、连衣裙），设置相关参数，生成即可。建议N卡，显存4G起（4G显卡生成速度略慢，效果略差，建议8G起最佳）

2025-01-11 21:19:58 400

原创 TangoFlux - 3秒生成，比你还快！速度超快超逼真的文本生成语音模型本地一键整合包下载

它以515M的参数规模，展现出令人惊叹的音频生成能力，能够在短短3.7秒内生成高达30秒的高质量音频，展现出卓越的性能和效率。该模型不仅能够生成各种音效，如鸟鸣和口哨声，还引入了一种新的优化框架CLAP-Ranked Preference Optimization（CRPO），以提升生成音频的质量和对齐性能。1、影视与游戏音频制作：TangoFlux可依剧本或场景描述，快速生成逼真音效、配乐及配音，缩短制作周期、降成本，提升作品音频质量，增强游戏互动性与沉浸感。输入提示词，设置相关参数，生成即可。

2025-01-03 14:11:41 257 4

原创 Memo - 音频驱动图像生成说话数字人视频一张图生成说话视频本地一键整合包下载

Memo 是由南洋理工大学和新加坡国立大学主导开发的一种最先进的开放式模型，用于音频驱动的通话视频生成。这是一种端到端的音频驱动肖像动画方法，旨在生成具有身份一致性和富有表现力的口型动画视频。Memo 在各类图像和音频类型上生成更为逼真的口型动画视频，并在总体质量、音频-口型同步、身份一致性和表情-情感对齐方面优于现有的最先进方法。Memo 可以用肖像、雕塑、数字艺术和动画等图像生成会说话的视频；Memo 可以生成有声音的视频，音频类型包括演讲、唱歌、说唱；Memo 可以生成具有各种头部姿势的谈话视频；

2024-12-18 17:39:03 295 2

原创 NVComposer - 一张或多张图片生成可控的多方位角度视频本地一键整合包下载

NVComposer 是腾讯ARC实验室联系香港中文大学以及北京大学共同发布的生成式新颖视图合成模型，你只需要提供一张或几张参考图片，并设置相机模式和角度，就可以自动生成你设置的角度的多方位视角视频，甚至可以用来生成3D/4D场景视频。NVComposer 有点类似扩图功能，也有点类似之前发布的 DimensionX ，可以以一张或多张参考图为中心点，设置不同的相机移动方式，以及移动方向来生成连贯视频。

2024-12-17 10:22:43 247 1

原创 MagicQuill - 智能交互式图像编辑系统涂涂画画即可完成P图本地一键整合包下载

MagicQuill 设计了一个简洁但功能强大的界面，让用户只需简单几笔，就可以表达他们的想法，比如插入元素、擦除物体、改变颜色等。以及参数调整按钮：支持用户调整生成结果的参数，如基础模型选择、负提示、边缘控制等，大家可以自行尝试，没什么好说的。彩色画笔（带RGB标识）：可以精确地为图像着色，以匹配您的画笔的颜色(“精确的颜色突出显示 - 准确地在您想要着色的位置进行绘画”)，比如：给蛋糕上粉红色的花，改变一个颜色。高级设置这里不懂的可以默认，有基础的可以根据需要调整，比如选择基础模型，反向提示词等。

2024-11-21 19:47:52 515

原创 DimensionX - 一张图生成高度逼真的3D/4D场景视频带你玩转“空间魔法” 本地一键整合包下载

这些视频帧就像电影胶片一样，记录了场景的各个角度和动态变化，最终组合成完整的3D或4D场景。DimensionX 是来自香港科技大学和清华大学的研究团队推出的全新 AI 框架，仅凭一张图片便能生成充满细节的3D 和4D 场景，为游戏开发、虚拟现实和影视制作等领域带来革命性的突破!此外，DimensionX还引入了身份保持去噪策略，可以保证4D场景中物体外观的一致性，避免出现“穿帮”的尴尬情况。上传一张需要生成的图像，设置运动轨迹类型，支持左和上两种方位，输入提示词，生成即可。

2024-11-19 19:17:39 224 3

原创 MaskGCT - 媲美人声的语音大模型，零样本语音克隆，文本转语音大模型本地一键整合包下载

近期，趣丸科技发布了名为MaskGCT的全新语音合成（TTS）模型，该模型在语音质量、相似度和可控性方面取得了显著突破，直接颠覆了传统语音合成(TTS)的玩法，让AI彻底摆脱了对人工标注的依赖，实现了真正意义上的“自学成才”。2、更精细可控的语音生成：可灵活调整生成语音的长度、语速和情绪，支持通过编辑文本编辑语音，并保持韵律、音色等方面的极度一致。更可怕的是，MaskGCT不仅能生成高质量的语音，还能模仿不同说话者的风格，甚至可以跨语言进行语音翻译，简直就是一个六边形战士。一键包下载地址：私信。

2024-11-12 14:39:41 1193 1

原创 Moonshine - 新型开源ASR（语音识别）模型，体积小，速度快，比OpenAI Whisper快五倍本地一键整合包下载

Moonshine 是由 Useful Sensors 公司推出的一系列「语音到文本（speech-to-text, STT）转换模型」，旨在为资源受限设备提供快速而准确的「自动语音识别（ASR）服务」。相比同类产品，如 OpenAI 的 Whisper，Moonshine 在处理速度上提高了五倍，并且在多个标准数据集上展示了更低的词错误率（WER）。据官方报告，Moonshine 的处理速度「比 OpenAI 的 Whisper 快五倍」，并且在词错误率方面也表现得更好。，期待后期更多语种的支持。

2024-11-07 17:37:04 904 2

原创 UltraPixel - 华为开源超大分辨率文生图模型支持直接生成6K图像本地一键整合包下载

UltraPixel是一种由华为诺亚方舟实验室联合香港科技大学共同开发的超高清图像合成架构，旨在生成具有丰富细节的高质量图像，其分辨率可以从1K一直延伸至6K。一个充满活力的动漫场景，一个年轻女孩长着飘逸的粉红色头发，一双闪闪发光的蓝色大眼睛，穿着校服，站在樱花树下，花瓣飘落在她周围。一位年轻女子的特写照片，她拥有完美的皮肤，鲜艳的红色口红，棕色卷发，穿着复古碎花连衣裙，站在盛开的花园前。一间舒适的乡村木屋坐落在白雪覆盖的森林里，石头烟囱里冒着烟，窗户里透出温暖的灯光，还有一条通往前门的脚印。

2024-10-18 15:32:31 430

原创 GOT-OCR-2-GUI - 一个强大的AI文本识别模型 OCR文字识别图片文字识别本地一键整合包下载

GOT-OCR-2.0 是一个基于通用 OCR 理论（General OCR Theory）的统一端到端模型，专注于提升光学字符识别（OCR）的准确性与效率。GOT-OCR 2.0 不仅支持场景文本识别，还能处理多页文档，为 OCR 领域带来更多灵活性。有了这个软件，大家不用再去苦苦寻找免费的ORC识别软件了，很多软件接口不稳定，随时可能失效。有了这个软件，本地一键运行，无需联网，永久免费。今天分享的就是GOT-OCR的GUI版本，支持的场景比如文本、文档、乐谱、图表、数学公式等内容识别。

2024-10-18 12:27:18 1014

原创 PMRF - 高质量人像超清修复、人脸逼真高清修复一键整合包下载

处理复杂的图像退化问题：PMRF能够应对各种复杂的图像退化情况，包括噪声、模糊、分辨率降低、颜色丢失等问题，生成视觉质量高且符合真实图像分布的恢复图像。不论图片内容有多复杂，比如细节丰富的面部图像，还是受到多重损坏的图片，PMRF都能很好地处理，并提供优质的修复结果。降低图像失真（MSE）：PMRF通过后验均值预测实现图像恢复，最小化图像的均方误差（MSE），确保生成的图像与真实图像在数值上尽可能接近，失真尽可能小。图像恢复：处理去噪、超分辨率、盲图像恢复和图像修复等任务，生成自然逼真的图像。

2024-10-15 15:36:21 634 2

原创 Pyramid Flow - 快手联合北大、北邮开发的文生视频AI模型最高 10 秒 768P@24fps 本地一键整合包下载

10月12日上午，快手和北京大学及北京邮电大学的研究团队共同开源了Pyramid-Flow的超高清视频生成模型。目前支持两种分辨率模型生成，一种640x384，另一种1280x768。我们建议在文本到视频生成期间对 768p 模型使用 [7， 9] ，对 384p模型使用 7 中。相比之前的 CogVideoX ，Pyramid Flow的生成速度更快，资源占用更低。对于 10 秒视频生成，我们建议使用引导系数 7 和视频引导系数 5。（测试了CPU卸载，速度太慢了，所以低于12G显存的卡就别尝试了）

2024-10-15 08:30:35 331

原创 FireRedTTS - 小红书最新开源AI语音克隆合成系统免训练一键音频克隆本地一键整合包下载

FireRedTTS 只需要给定文本和几秒钟参考音频，无需训练，就可模仿任意音色、任意说话风格，创造独特的音频内容。搞怪风、女友风、emo 小片段……同时，除运用 FireRedTTS 的能力进行多音色、中英混杂的「整花活」之外，FireRedTTS 还能够生成具有小红书博主风格的高级感旁白，少年博主音颇具特色，将听众拉入即将离去的夏天。小红书技术团队FireRed最近推出了一款名为FireRedTTS的先进语音合成系统，该系统能够基于少量参考音频快速模仿任意音色和说话风格，实现独特的音频内容创造。

2024-10-02 17:23:00 2076

原创 Diffusers Image Outpaint - AI一键扩图工具本地整合包下载

Diffusers Image Outpaint 是一个基于扩散模型的图像外延技术，它能够根据已有的图像内容，生成图像的额外部分。

2024-09-26 17:22:43 1374

原创 HivisionIDPhoto V3 - AI一键智能制作生成高清证件照新增分享模版照、美颜等功能本地一键整合包下载

HivisionIDPhoto V3 - AI一键智能制作生成高清证件照新增分享模版照、美颜等功能本地一键整合包下载

2024-09-24 09:57:55 625

原创 EDTalk - 支持自定义情感的AI数字人、对口型、唇形同步项目本地一键整合包下载

只需一个简单的输入，即可让静态的人像“开口说话”，且每一个细微的表情变化都贴合语境情绪，为虚拟人物赋予生动的灵魂。EDTalk 的应用潜力无限广阔，从个人数字助理的个性化定制，到影视后期制作中的角色对话合成，乃至教育软件的互动教学助手开发，都能见到它的身影。该项目的核心在于其高效的解耦训练机制，这使得EDTalk能在保持高精度的同时，快速地将面部特征（如口型、头部姿势和表情）从复杂的视频数据中分离出来，并整合新的情感信号。和以往类似项目不同的是，EDTalk还支持自定义情感，比如高兴、愤怒、悲伤等。

2024-09-12 14:08:28 646

原创 CatVTON - AI一键换装、虚拟试衣、一键虚拟换装工具本地整合包下载

CatVTON是一个小型的AI虚拟换衣模型，由是由美图、中山大学、鹏城实验室共同开发，适合每一个时尚爱好者使用。CatVTON 的特点是拥有轻量级网络，总共有899.06M 的参数，训练时只需要49.57M 的可训练参数。而且在进行推理时，使用的显存少于8G，支持1024x768的高分辨率，非常适合个人电脑进行操作。

2024-09-10 15:20:35 703

原创 HivisionIDPhoto V2 - AI一键智能制作生成证件照新增抠图模型，优化抠图效果本地一键整合包下载

HivisionIDPhoto是一种实用的证件照智能制作算法。它利用一套完善的模型工作流程，实现对多种用户拍照场景的识别、抠图与证件照生成。

2024-09-07 10:12:08 577

原创 Easy Voice Toolkit - 简易语音工具箱，一款强大的语音识别、转录、转换工具本地一键整合包下载

Easy Voice Toolkit 是一个基于开源语音项目实现的简易语音工具箱，提供了包括语音模型训练在内的多种自动化音频工具，集成了GUI，无需配置，解压即用。

2024-09-05 09:13:55 563

原创 audiocraft - 免费文本转音乐、AI音乐生成、AI音乐创作工具，Facebook开源，本地一键整合包下载

这个强大的工具包集成了两个最新的AI音频生成模型：AudioGen和MusicGen，能够产生高质量的声音和音乐。如果你的显卡较好，显存12G起，推荐facebook/musicgen-stereo-melody和facebook/musicgen-stereo-melody-large这两个模型，生成的效果是最好的。考虑到一键包大小，一键包只内置了 facebook/musicgen-stereo-melody 这个模型，如果需要体验其他模型，只需要切换到任意模型，提交的时候后台会自动下载。

2024-08-31 22:27:22 934

原创 LivePortrait V4版：新增图片驱动图片，一张照片生成生动视频、表情包，精准操控五官，本地一键整合包下载

今天的V4版一键包在官方8月19日发布的最新版做了更新，在原有图片驱动视频、视频驱动视频的基础上，新增了图片驱动图片。这样就可以实现表情神同步了，表情包制作功能更丰富了。

2024-08-27 14:38:15 555

原创 LivePortrait V3版：新增精确的肖像编辑，精准操控五官比如眉毛鼻子摇头眨眼撇嘴等，本地一键整合包下载

今天的V3版一键包在官方8月9日发布的最新版做了更新，新增精确的肖像编辑，人像重定向功能在原有的抬头低头等编辑的基础上，新增了X/Y/Z轴运动

2024-08-16 10:46:04 1114

原创 FLUX.1 WebUI本地整合包，基于nf4轻量化模型的Stable Difussion WebUI Forge，6G显存可玩

今天发布的这个FLUX.1的WebUI就是基于Stable Difussion WebUI forge，模型是nf4量化版轻量模型，nf4比nf8在更小的体积下，实现了比nf8更好的生成效果，实测6G显存可玩，20步出图大概在30秒左右

2024-08-14 21:37:51 3855

原创【AI语音克隆】GPT-SoVITS V2版，业界最强的AI声音克隆软件、文本转语音工具，新增两种新语种，更强的V2模型

【AI语音克隆】GPT-SoVITS V2版，业界最强的AI声音克隆软件、文本转语音工具，新增两种新语种，更强的V2模型

2024-08-10 17:01:01 1523

原创最近很火的FLUX.1文生图模型本地一键整合包SwarmUI，schnell量化版，6G显存可畅玩的FLUX.1

最近一个新的文生图模型突然火出圈，它就是由Black Forest Labs（黑森林实验室）团队开发的FLUX.1。

2024-08-09 17:17:18 1752 1

原创 LivePortrait V2版：新增动物模式，支持动物表情迁移。一张照片生成生动视频，精准操控眼睛和嘴唇动作本地一键整合包下载

今天的一键包在官方8月2日发布的最新版做了更新，新版主要新增了动物模式，可以驱动动物做任何表情同步操作了。而且新增了更多实用的图片和视频生成功能。因为更新的地方较多，所以这次没法做升级包，只提供完整的一键包。

2024-08-05 16:41:09 1029

原创 Diffree - AI一键P图，告别P图困扰，只需要输入一段文字就能轻松玩转P图的神器本地一键整合包下载

用一句话就能神器在照片中变出新物品。比如，在一个阴天的夜晚拍了一张很美的风景，但是，当天没有月亮，很是遗憾。传统的软件需要找一张月亮的素材，抠出来，然后在添加到风景照片里。还要调节各种色相饱和度。

2024-07-31 14:16:39 609

原创 EasyAnimate - 阿里开源视频生成项目，国产版Sora，高质量长视频生成本地一键整合包下载

EasyAnimate是阿里云人工智能平台PAI自主研发的DiT-based视频生成框架，它提供了完整的高清长视频生成解决方案，包括视频数据预处理、VAE训练、DiT训练、模型推理和模型评测等

2024-07-28 15:31:54 967

原创 FoleyCrafter - AI视频自动配音黑科技，让无声视频瞬间拥有逼真配音本地一键整合包下载

FoleyCrafter 是一个开源基于文本的视频到音频生成框架，可以自动为无声视频生成清晰、逼真的声音效果，而且声音与视频内容完全匹配。它能够理解视频的语义内容，自动匹配适合的声音，比如视频里有狗，FoleyCrafter就会生成狗叫声，而且确保声音和视频是同步的。FoleyCrafter确保声音与视频的同步性门被关上的瞬间，那“砰”的一声也在同一时刻响起。这种精确的同步，让视听体验更加沉浸和真实。

2024-07-23 14:47:29 850

原创 EasyPhoto - 一键训练并生成人像写真，支持参考图生成独立版本地一键整合包下载

EasyPhoto是一款工具，用于生成AI肖像画，该代码可用于训练与您相关的数字分身。建议使用 5 到 20 张肖像图片进行训练，最好是半身照片且不要佩戴眼镜（少量可以接受）。训练完成后，我们可以在推理部分生成图像。我们支持使用预设模板图片与上传自己的图片进行推理。

2024-07-17 21:06:11 1046

原创 MimicMotion - 一张图片实现视频跳舞，腾讯开源照片跳舞模型本地一键整合包下载

近期，腾讯联合上海交通大学开源了一个可控视频生成框架：MimicMotion，类似阿里的全民舞王，只需要上传一张照片，然后再上传一段人物的舞蹈或者动作视频，就可以生成以照片中人物为原型的动作或者舞蹈视频了。

2024-07-16 14:55:00 3541

原创 DDColor - 黑白老照片一键AI上色工具，找回“失色“的记忆，老照片一键“回春” 本地一键整合包下载

DDColor 是一个由阿里达摩院研究的基于深度学习技术的图像上色模型，主要用于黑白照片的修复和上色。它能够自动将黑白或灰度图像着色，使图像更加生动逼真。

2024-07-15 09:03:33 758

原创 HyperSD - 会画草图就能玩AI绘画，AI一键手绘，实时同步本地一键整合包下载

字节跳动的Lightning团队发布的新图像模型蒸馏算法Hyper-SD，是一项在图像处理和机器学习领域的重要进展。这项技术通过创新的方法提升了模型在不同推理步骤下的性能，同时保持了模型大小的精简。基于这个算法模型，一个很实用的功能出现了，就是实现一键手绘插画的功能，几乎实现了实时生成图片的功能。即会画画，就能玩AI绘画了

2024-07-13 19:44:30 543

原创 EchoMimic - 一张照片生成说话视频，可用于AI数字人生成，阿里最新开源本地一键整合包下载

EchoMimic是阿里巴巴达摩院推出的一个AI驱动的口型同步技术项目。这项技术能够通过给定的音频和一张或多张人物的面部照片，生成一个看起来像是在说话的视频，其中的人物口型动作与音频中的语音完美匹配。这种技术在娱乐、教育、虚拟现实、在线会议等领域有广泛的应用前景，可以用于创建更加真实和互动的视频内容。

2024-07-12 14:18:37 4433 2

原创 PaintsUndo - 一张照片一键生成绘画过程视频本地一键整合包下载

这就是ControlNet作者张吕敏大佬的新作，PaintsUndo。只要你有一张图片，PaintsUndo 就能让它变成完整的绘画过程视频。这科技，绝了。

2024-07-11 20:22:43 815

原创 CosyVoice升级版 - 阿里最新开源语音克隆、文本转语音项目支持音色保存本地一键整合包下载

近日，阿里通义实验室发布开源语音大模型项目FunAudioLLM，而且一次包含两个模型：SenseVoice和CosyVoice。今天分享的这个是v3ucn大佬优化过的升级版，新增自定义音色保存，优化长文本生成以及修复上个版本错误提示的bug。

2024-07-10 13:31:01 2898

班迪录屏 Bandicam 中文便携特别版

城通网盘批量下载

空空如也