AI文章
模型进展、开源项目和 AI 工具教程，读懂新东西能帮你做什么。
已收录 7,595 篇
文章列表，第 338 页
Voice Changer – Cartesia推出转换声音同时保留原始情感的变声器模型
Voice Changer是Cartesia推出的新模型，能将任何音频剪辑的语音转换成其他音色，且保留原始音频的情感和表达。用户从Cartesia提供的多种高质量声音库中选择，或克隆自己的声音，且完全控制语音的细节，如发声、情感和韵律。
HOVER – 英伟达推出的通用人形机器人功能控制器1.5M小模型
HOVER是英伟达推出的1.5M小模型，全称为“Humanoid Versatile Controller”，即人形机器人的多功能全身神经通用控制器。模型用150万参数实现对机器人复杂动作的控制，能适应多样任务如导航、桌面操作和移动操作等，每种任务需要独特的控制模式。
NotebookMLX – 将PDF文档转换成音频博客开源版的NotebookLM
NotebookMLX是开源版本的NotebookLM，集成NotebookLlama的功能，能将PDF文档转换成易于理解和分享的音频播客形式。项目基于MLX技术实现自然语言处理功能，包括PDF预处理、制作播客文本、文本重写及文本到语音转换，让内容的传播和消费更加便捷。
interface.ai – AI Agent平台，提供自动金融到个性化金融的全方位解决方案
interface.ai 是金融领域的AI Agent平台，提供从自助金融服务到个性化金融健康建议的全方位解决方案。核心产品Sphere整合多种输入输出方式，包括文本、视觉元素、音频和视频，提供统一的自动化平台。Sphere能自动完成金融业务流程，提供实时指导和个性化产品推荐，基于分析对话内容，为用户和金融机构提供智能推荐和升级销售机会。
DreamVideo-2 – 复旦和阿里联合多机构推出的零样本视频定制生成框架
DreamVideo-2是创新的零样本视频定制框架，是复旦大学和阿里巴巴集团等机构联合推出。DreamVideo-2能根据单一图像和界定框序列生成具有特定主题和精确运动轨迹的视频，无需在测试时进行微调。框架用参考注意力机制学习主题外观，基于从界定框导出的二值掩码控制运动轨迹，实现精确的运动控制。
EMMA – Waymo推出的端到端自动驾驶多模态模型
EMMA是Waymo基于Gemini模型推出的端到端自动驾驶多模态模型，能将原始相机传感器数据直接映射到驾驶特定输出，如规划轨迹、感知对象和道路图元素。EMMA将非传感器输入和输出表示为自然语言文本，用预训练大型语言模型的世界知识，在统一的语言空间中联合处理多种驾驶任务。
TimeSuite – 上海AI Lab推出的提升MLLMs在长视频理解处理的设计框架
TimeSuite是上海AI Lab推出的新型框架，能提升多模态大型语言模型（MLLMs）在长视频理解任务中的表现。基于引入高效的长视频处理框架、高质量的视频数据集TimePro用在定位调整，及名为Temporal Grounded Caption的指令调谐任务，明确地将定位监督纳入传统问答格式中。
ark.art – 家居产业领域的专业级AIGC设计营销工具
ark.art 是暗壳科技推出的专业级AIGC设计平台，专为设计师打造，基于AI技术优化建筑设计流程，提高设计效率和质量。平台提供一键生成优化建筑设计方案的功能，支持创建建筑平面图，优化利润率、密度和居住标准。
iMuse.AI – AI服装设计软件，帮助设计师快速生成创意设计图
iMuse.AI是专为服装设计行业服务的AI设计软件，基于AI技术帮助设计师快速生成创意设计图。用户上传模特图、风格图或设计细节图，提供一些文字描述，iMuse.AI 能根据输入内容生成融合用户灵感的原创设计图。
U钙网 – AI商标LOGO设计平台，自动生成100%原创LOGO
U钙网是专业的智能AI商标logo设计平台，支持用户即使没有设计经验，基于简单的文字输入自动生成专业且精美的LOGO。平台提供100%原创设计，支持无限制的免费下载。U钙网用十几年的专业专注和智能LOGO设计技术，服务了超过千万的用户。
幻图AI – AI驱动的多功能图像处理小程序
幻图AI是全新免费的AI图像处理工具。基于AI技术，为用户提供包括文生图、图片和视频换脸、换装、定制个性头像和风格照等多种功能。用户只需简单的操作，轻松实现创意图像的生成，无需复杂的技术背景。
Show-o – 新加坡国立Show Lab联合字节推出的多模态理解与生成的统一模型
Show-o是集成了多模态理解和生成的统一Transformer模型。通过结合自回归和离散扩散建模，能灵活处理包括视觉问答、文本到图像生成、文本引导的修复和扩展，混合模态生成在内的广泛视觉语言任务。Show-o模型在多模态理解和生成基准测试中展现出与现有专门模型相当或更优的性能，能减少图像生成所需的采样步骤，提高效率。
MimicTalk – 字节联合浙大推出的开源3D数字人头项目
MimicTalk是浙江大学和字节跳动共同研发推出的，基于NeRF（神经辐射场）技术，能在极短的时间内，仅需15分钟训练出个性化和富有表现力的3D说话人脸模型。MimicTalk提高了训练效率，基于高效的微调策略和具有上下文学习能力的人脸动作生成模型，显著提升生成视频的质量。
炉米Lumi – 字节跳动推出的AIGC图像创作平台
炉米Lumi是字节跳动推出的AIGC图像创作平台，致力于构建一个集成平台，让AI爱好者、研究人员和开发者分享、协作并优化AI模型。炉米Lumi支持模型上传、展示、Workflow搭建以及LoRA训练，提高AI应用效率和性能。
标智客 – AI LOGO设计工具，自动生成多种风格的原创LOGO
标智客是AI LOGO设计工具，基于AI技术，用户提供公司或品牌名称及所属行业信息，AI能生成多种创意LOGO设计。用户在线编辑生成的LOGO，调整图标、字体、颜色等元素，满足个性化需求。标智客提供专业设计团队的原创LOGO设计服务，确保设计的原创性和版权保障。
图怪兽 – 在线AI图像设计平台，支持多端登录满足多种营销需求
图怪兽是在线图片编辑和设计平台，提供海量模板，覆盖公众号封面、手机海报、日签、招聘、节日节气等多种用途。用户用简单的替换和编辑文字快速完成图片设计。图怪兽支持移动端APP、PC客户端和微信小程序，实现一账号多端应用同步使用。
AI Colors – AI调色板生成器，输入关键词自动生成网页配色方案
AI Colors是调色板生成器，基于先进的AI技术，通过用户输入的关键词快速生成配色方案。用户无需注册即可使用，操作简单快捷。支持编辑和导出配色方案，适用于Adobe Photoshop、Illustrator等设计软件，提高了设计师和创意工作者的工作效率。
绘创 – 美图推出的在线AI摄影创作平台
绘创是美图推出的在线AI摄影创作工具，基于AI技术优化图像和视频制作流程，帮助摄影行业提高效率和销售。绘创的主要功能包括AI写真、AI主题照和AI风格照，用户能轻松制作个性化和艺术化的照片，无需专业的摄影技能。