产品库

生成全身照片级人形化身的框架

Audio to Photoreal Embodiment是一个生成全身照片级人形化身的框架。它根据对话动态生成面部、身体和手部的多种姿势动作。其方法的关键在于通过将向量量化的样本多样性与扩散所获得的高频细节相结合，生成更具动态和表现力的动作。通过高度逼真的人形化身可视化生成的动作，能够表达出姿势中的重要细微差别（例如嘲笑和傲慢）。为了促进这一研究方向，我们引入了一种首次亮相的多视图对话数据集，可以进行照片级重建。实验证明，我们的模型生成了合适且多样化的动作，表现优于扩散和仅向量量化的方法。此外，我们的感知评估突出了在准确评估对话姿势中的微妙动作细节方面，照片级真实感（与网格）的重要性。代码和数据集可在线获取。

人形机器人多功能神经全身控制器

HOVER是一个针对人形机器人的多功能神经全身控制器，它通过模仿全身运动来提供通用的运动技能，学习多种全身控制模式。HOVER通过多模式策略蒸馏框架将不同的控制模式整合到一个统一的策略中，实现了在不同控制模式之间的无缝切换，同时保留了每种模式的独特优势。这种控制器提高了人形机器人在多种模式下的控制效率和灵活性，为未来的机器人应用提供了一个健壮且可扩展的解决方案。

获取真实反馈，选择合适的个人形象照片

Photofeeler是一款世界领先的照片测试工具，帮助用户选择适合自己的商务、社交和约会照片。通过测试你的照片，了解它们在别人眼中传达的信息。停止猜测，开始测试，选择最适合你的照片。

AI驱动的姿势生成器，助艺术家瞬间创建完美角色姿势参考

ArtPose是一款专为艺术家打造的AI姿势生成器。它利用先进的AI技术，能帮助艺术家瞬间创建令人惊叹的姿势参考，极大地提升创作效率和质量。其重要性在于为艺术家提供了便捷、高效的姿势参考解决方案，避免了传统方式寻找参考的繁琐。产品的主要优点包括可生成逼真姿势、姿势可自定义、多种风格可选、快速导出高分辨率姿势、支持保存和整理姿势以及拥有艺术家社区等。该产品定位为艺术家的创作辅助工具，价格方面，生成图像需要消耗积分，如生成一张图像需2积分。

实时全身人对人形机器人遥操作学习

该项目专注于实现实时的全身人对人形机器人的遥操作，旨在通过学习人类的动作和行为来控制机器人。

音频驱动的高保真3D人头化身合成技术

GaussianSpeech是一种新颖的方法，它能够从语音信号中合成高保真度的动画序列，创建逼真、个性化的3D人头化身。该技术通过结合语音信号与3D高斯绘制技术，捕捉人类头部表情和细节动作，包括皮肤皱褶和更细微的面部运动。GaussianSpeech的主要优点包括实时渲染速度、自然的视觉动态效果，以及能够呈现多样化的面部表情和风格。该技术背后是大规模多视角音频-视觉序列数据集的创建，以及音频条件变换模型的开发，这些模型能够直接从音频输入中提取唇部和表情特征。

AI生成个人形象照片

DreamPic.AI是一个革命性的平台，利用先进的人工智能技术，在各种风格中生成令人惊叹的个人形象照片。无论您想将自己变成名人、艺术品，甚至是动物，我们都可以满足您的需求。只需几个简单的点击，您就可以创建一张独一无二的照片，令人印象深刻。

音频驱动全身视频配音平台，支持稀疏帧控制和长序列图像到视频生成。

InfiniteTalk AI是一种先进的音频驱动视频生成模型，能够实现唇部同步和全身动画，超越传统配音。其主要优点包括稀疏帧控制、长序列图像到视频转换以及保留身份和镜头运动等功能。

AI动作捕捉工具

Movmi 是一款 AI 驱动的动作捕捉工具，通过 2D 媒体数据（图像、视频）捕捉人类身体动作，为开发人员提供高质量的人体动作捕捉解决方案。整个捕捉过程在云端完成，用户无需使用高端设备。Movmi 支持从各种摄像设备捕捉镜头，包括智能手机和专业摄像机，适用于各种生活场景，甚至支持多个人物的场景。Movmi 还提供一个全文本贴图角色库，用于各种动画项目。Movmi 的会员计划分为 Bronze、Silver 和 Gold，提供不同级别的功能和体验。用户可以在任何 3D 环境中使用输出的 FBX 文件。

3D AI 化身，将文本快速转换为视频。

Rendora 提供一个创新的平台，使用户能够通过3D AI技术将文本内容快速转换为高质量的3D视频。该技术结合了先进的3D图形引擎和人工智能算法，允许用户创建逼真的3D AI化身，并在专业3D场景中进行视频制作。产品的主要优点包括无需演员、易于编辑、支持多样化的自定义选项，以及无需专业技能即可生成专业级别的视频内容。

超真实的全身人像，随用随取

Generated Humans是一个提供超真实全身人像的平台，用户可以随意使用这些人像，无需担心法律问题。该产品提供多种不同年龄、体型、服装和姿势的人像，适用于游戏开发、机器学习、学术研究、艺术品创作等领域。所有照片均可免费用于非商业用途，只需注明出处链接即可。

基于图形的通用姿势估计方法

Pose Anything是一种基于图形的通用姿势估计方法，旨在使关键点定位适用于任意物体类别，使用单个模型，需要最少带有注释关键点的支持图像。该方法通过全新设计的图形转换解码器利用关键点之间的几何关系，提高了关键点定位的准确性。Pose Anything在MP-100基准测试中表现优异，超过了先前的最先进技术，并在1-shot和5-shot设置下取得显著改进。与以往的CAPE方法相比，该方法的端到端训练显示出可扩展性和效率。

快速、准确、免费的音频转文字服务

AIbase音频提取文字工具利用人工智能技术，通过机器学习模型快速生成高质量的音频文本描述，优化文本排版，提升可读性，同时完全免费使用，无需安装、下载或付款，为创意人员提供便捷的基础服务。

AI Shots | 生成专业肖像照片

AI Shots是一种现代化服务，利用先进的人工智能技术轻松创建令人惊叹的专业肖像照片。通过上传自拍照片并使用AI Shots的神奇功能，您可以在短短60分钟内获得100张4K分辨率的专业肖像照片。AI Shots提供多种风格、拍摄地点和服装供您选择，让您的肖像照片个性化定制。

使用自得语音技术，创造属于你的角色

自得语音技术可通过简单的步骤创造出属于你的角色。类似GPT，可生成与真人无异的语音片段，在情感、音色和语速等方面与真人一致。自得语音支持快速定制角色，只需要上传一段语音即可立即生成属于你的语音角色。无需下载软件，可在浏览器上完成语音生成。同时提供API接口，方便开发者集成到自己的产品中。商用用户可享受7x24小时的技术支持。

AI生成逼真西装照片

Suit Me Up使用人工智能技术生成您穿着西装的逼真照片，基于您上传的照片。不论您需要一张简历照片还是Tinder照片，我们都能满足您的需求。售价$19，现有8折优惠。

SALMONN: 语音音频语言音乐开放神经网络

SALMONN是由清华大学电子工程系和字节跳动开发的大型语言模型（LLM），支持语音、音频事件和音乐输入。与仅支持语音或音频事件输入的模型不同，SALMONN可以感知和理解各种音频输入，从而获得多语言语音识别和翻译以及音频-语音共推理等新兴能力。这可以被视为给予LLM“听觉”和认知听觉能力，使SALMONN成为通向具有听觉能力的人工通用智能的一步。

SyncAnimation 是一种基于 NeRF 的音频驱动实时生成说话头像和上半身动作的技术框架。

SyncAnimation 是一种创新的音频驱动技术，能够实时生成高度逼真的说话头像和上半身动作。它通过结合音频与姿态、表情的同步技术，解决了传统方法在实时性和细节表现上的不足。该技术主要面向需要高质量实时动画生成的应用场景，如虚拟主播、在线教育、远程会议等，具有重要的应用价值。目前尚未明确其价格和具体市场定位。

Black Forest Labs推出，亚秒级推理、统一编辑、照片级画质AI图像生成器。

Flux2 klein是由Black Forest Labs推出的AI图像生成模型，有9B和4B两个版本。其定位是为创作者提供快速、高质量且功能全面的图像生成解决方案。价格方面有赠送套餐、按需付费等多种方案，如基础套餐每月19.9元含1990积分，约995次生成。该模型的重要性在于它解决了传统图像生成模型速度慢、功能单一等问题。主要优点包括亚秒级推理，能实时响应；照片级画质，输出图像品质高；统一生成与编辑，无需切换模型；支持多参考图生成，保证风格一致性；可在消费级硬件上运行，降低使用门槛；4B版本开源，可用于商业项目等。

转录任何语音、音频、视频到文字

Voicetapp是一个强大的基于云端的人工智能软件，通过最新的语音识别技术，帮助您将任何语音、音频和视频自动转换为文字。具备高达99%的准确度。支持170种语言和方言。具备演讲者识别、实时转录、多种音频输入格式等功能。提供不同的定价计划。

即时文本转语音，适用于需要即时音频反馈的应用

RealtimeTTS 是一个易于使用、低延迟的文本转语音库，用于实时应用。它可以将文本流转换为立即的音频输出。主要功能包括实时流式合成和播放、高级句子边界检测、模块化引擎设计等。该库支持多种文本到语音引擎，并适用于语音助手和需要即时音频反馈的应用。详细定价和定位信息请参考官方网站。

语音转文字,支持实时语音识别、录音文件识别等

腾讯云语音识别(ASR)为开发者提供语音转文字服务的最佳体验。语音识别服务具备识别准确率高、接入便捷、性能稳定等特点。腾讯云语音识别服务开放实时语音识别、一句话识别和录音文件识别三种服务形式,满足不同类型开发者需求。技术先进,性价比高,多语种支持,适用于客服、会议、法庭等多场景。

高质量3D数字化身生成模型

RODIN Diffusion是一款AI系统，可自动生成高度详细的3D数字化身。生成的数字化身可以以前所未有的质量自由地360度查看。该模型显著加速了传统复杂的3D建模过程，并为3D艺术家开辟了新的机会。 RODIN模型架构：该3D数字化身扩散模型经过训练，可以生成以神经辐射场表示的3D数字化身。我们基于最先进的生成技术（扩散模型）进行3D建模。我们使用三平面表示来分解数字化身的神经辐射场，可以通过扩散模型明确地对其进行建模，并通过体积渲染将其渲染为图像。所提出的3D感知卷积在保持3D扩散建模完整性的同时带来了所需的计算效率。整个生成过程是一个分层过程，使用级联扩散模型进行多尺度建模。一旦训练了生成模型，就可以根据来自输入图像、文本提示或随机噪声的潜在代码来控制数字化身生成。 RODIN Diffusion模型的可视化。请参阅论文Rodin: A Generative Model for Sculpting 3D Digital Avatars Using Diffusion以获取更多详细信息。

高精度环境音频信息捕捉与生成的语音转语音模型

Fish Agent V0.1 3B是一个开创性的语音转语音模型，能够以前所未有的精确度捕捉和生成环境音频信息。该模型采用了无语义标记架构，消除了传统语义编码器/解码器的需求。此外，它还是一个尖端的文本到语音(TTS)模型，训练数据涵盖了700,000小时的多语言音频内容。作为Qwen-2.5-3B-Instruct的继续预训练版本，它在200B语音和文本标记上进行了训练。该模型支持包括英语、中文在内的8种语言，每种语言的训练数据量不同，其中英语和中文各约300,000小时，其他语言各约20,000小时。

Levelr提供AI音频修复、母带处理、语音隔离与增强等功能。

Levelr是一款专注于AI音频处理与分析的产品。其核心技术为利用人工智能算法对音频进行处理，涵盖音频修复、母带处理、语音隔离与增强等功能。该产品的重要性在于极大地简化了音频后期制作流程，提升了音频质量。主要优点包括能够高效去除背景噪音、清晰分离语音、提升语音清晰度，适用于多种音频处理场景。产品定位为满足不同行业对高质量音频处理的需求，无论是专业音频制作人员还是普通用户，都能借助其强大功能提升音频内容质量。价格方面，提供免费试用，用户可先体验产品功能。

在家中获得专业风格的肖像照片

Portrait Studio Pro是一款能够在家中获得专业风格肖像照片的应用。用户只需上传自拍照片，选择喜欢的风格，即可获得高达240张肖像照片，而无需离开舒适的空间。该应用生成的照片与真实照片几乎无法区分，无需进行实际拍摄。Portrait Studio Pro已经生成了超过462,300张肖像照片。价格分为标准、高级和豪华三种套餐，分别提供40、120和240张照片。该应用适用于个人用户和企业团队，可用于个人职业形象提升、企业员工头像等。

免费AI动作捕捉工具

Rokoko Vision是一个免费的AI动作捕捉工具，用户可以通过上传视频或使用网络摄像头进行动作捕捉，并使用动画编辑器进行编辑和调整。该工具提供高精度的动作捕捉技术，使用户能够快速创建逼真的人物动画。Rokoko Vision的定价根据用户所在地不同而有所不同。

开源多模态大型语言模型，支持实时语音输入和流式音频输出。

Mini-Omni是一个开源的多模态大型语言模型，能够实现实时的语音输入和流式音频输出的对话能力。它具备实时语音到语音的对话功能，无需额外的ASR或TTS模型。此外，它还可以在思考的同时进行语音输出，支持文本和音频的同时生成。Mini-Omni通过'Audio-to-Text'和'Audio-to-Audio'的批量推理进一步增强性能。

3D高斯全身动态表情模型

ExAvatar是一种新型的3D全身动态表情模型，它结合了SMPL-X的全身驱动能力和3DGS的强外观建模能力。通过简单的手机扫描即可创建，支持各种姿势和表情的动画渲染。ExAvatar的混合表示方法提高了面部表情的自然度，减少了新表情和姿势的伪影，并且使模型与SMPL-X的面部表情空间完全兼容。