产品库

开源的实时语音克隆技术

OpenVoice是一个开源的语音克隆技术,可以准确地克隆参考音色,生成多种语言和口音的语音。它可以灵活地控制语音风格,如情感、口音等参数,以及节奏、停顿和语调等。它实现了零样本跨语言语音克隆,即生成语音和参考语音的语言都不需要出现在训练数据中。

AI生成文本检测工具

GPTKit是一个高度准确的AI生成文本检测工具，使用多模型方法来识别和分类文本是否由人类或ChatGPT生成。它提供了6种不同的检测方法，准确率高达93%。用户可以免费使用，每次限制2048个字符。注册用户可以增加字符限制。

使用AI技术，通过3张图片重塑你的个人风格。

Remix Yourself是一个基于AI技术的在线设计工具，由Omer Karisman创建，旨在通过零样本风格化肖像创建的扩散管道，为用户提供个性化的视觉重塑体验。该产品通过用户上传的3张图片，经过AI处理后，生成具有独特风格的肖像链接，不仅展示了AI在图像处理领域的应用，也为用户提供了一种新颖的自我表达方式。

构建能够根据指令浏览网页并和您对话的强大代理

WebLlama是一个基于Meta Llama 3构建的代理，专门为网页导航和对话进行了微调。它旨在构建有效的以人为中心的代理，帮助用户浏览网页，而不是取代用户。该模型在WebLINX基准测试中超越了GPT-4V（零样本）18%，展示了其在网页导航任务中的卓越性能。

零样本身份保持人类视频生成技术

ID-Animator是一种零样本人类视频生成方法，能够在不需要进一步训练的情况下，根据单个参考面部图像进行个性化视频生成。该技术继承了现有的基于扩散的视频生成框架，并加入了面部适配器以编码与身份相关的嵌入。通过这种方法，ID-Animator能够在视频生成过程中保持人物身份的细节，同时提高训练效率。

OpenVoice V2是一款支持多语言的语音合成模型，提供高质量的语音克隆与风格控制功能。

OpenVoice V2是一款文本到语音（Text-to-Speech, TTS）的模型，它在2024年4月发布，包含了V1的所有功能，并进行了改进。它采用了不同的训练策略，提供了更好的音质，支持英语、西班牙语、法语、中文、日语和韩语等多种语言。此外，它还允许商业用途的免费使用。OpenVoice V2能够精确地克隆参考音调色彩，并在多种语言和口音中生成语音。它还支持零样本跨语言语音克隆，即生成语音的语言和参考语音的语言不需要在大规模多语种训练数据集中出现。

通用型视觉语言模型

Qwen-VL 是阿里云推出的通用型视觉语言模型,具有强大的视觉理解和多模态推理能力。它支持零样本图像描述、视觉问答、文本理解、图像地标定位等任务,在多个视觉基准测试中达到或超过当前最优水平。该模型采用 Transformer 结构,以 7B 参数规模进行预训练,支持 448x448 分辨率,可以端到端处理图像与文本的多模态输入与输出。Qwen-VL 的优势包括通用性强、支持多语种、细粒度理解等。它可以广泛应用于图像理解、视觉问答、图像标注、图文生成等任务。

开放式机器人整合框架,实现家居物品搬运。

OK-Robot是一个开放的模块化框架,实现了在任意家居环境下根据语言指令进行零样本物品搬运任务。该框架采用了模块化设计,使用3D VoxelMap进行开放词汇的导航,AnyGrasp和LangSam进行开放词汇的抓取,以及放置原语进行物品放置。框架不需要预先训练,可以实现语言指令的零样本泛化。

图片和视频的通用对象基础模型

GLEE 是一个针对图片和视频的通用对象基础模型，通过统一的框架实现了定位和识别图像和视频中的对象，并能应用于各种对象感知任务。GLEE 通过联合训练来自不同监督水平的各种数据源，形成通用的对象表示，在保持最先进性能的同时，能够有效地进行零样本迁移和泛化。它还具备良好的可扩展性和鲁棒性。

零样本图像动画生成器

AnimateZero是一款零样本图像动画生成器，通过分离外观和运动生成视频，解决了黑盒、低效、不可控等问题。它可以通过零样本修改将预训练的T2V模型转换为I2V模型，从而实现零样本图像动画生成。AnimateZero还可以用于视频编辑、帧插值、循环视频生成和真实图像动画等场景，具有较高的主观质量和匹配度。

使用预训练扩散模型制作视觉错觉

Visual Anagrams是一种简单的、零样本方法，用于生成多视角视觉错觉。我们展示了理论和实践证明，我们的方法支持广泛的变换，包括旋转、翻转、颜色反转、倾斜、拼图重排和随机排列等。我们的方法使用预训练扩散模型来估计图像的不同视角或变换中的噪声，并将其对齐并平均。然后使用这个平均噪声估计来进行扩散步骤。使用Visual Anagrams，您可以制作出多种多视角视觉错觉。

360度全场景生成

ZeroNVS 是一款用于从单张真实图像进行零样本 360 度全景合成的工具。它提供了 3D SDS 蒸馏代码、评估代码和训练好的模型。用户可以使用该工具进行自己的 NeRF 模型蒸馏和评估，并且可以在各种不同的数据集上进行实验。ZeroNVS 具有高质量的合成效果，并且支持自定义的图像数据。该工具主要用于虚拟现实、增强现实和全景视频制作等领域。

知识图推理的基础模型

ULTRA是一个知识图谱推理的基础模型。单个预训练的ULTRA模型可以在任何多关系图谱上执行链接预测任务,并支持任意实体/关系词汇。性能优于许多专门针对每个图谱进行训练的SOTA模型。遵循基础模型的预训练-微调范式,可以在任何图谱上立即使用预训练的ULTRA检查点进行零样本推理,也可以进行进一步的微调。ULTRA为任何知识图谱提供了统一的、可学习的、可转移的表示。ULTRA使用图神经网络和NBFNet的修改版本。它不学习针对下游图谱的特定实体和关系嵌入,而是基于关系之间的交互获得相对关系表示。

基于自然语言查询的开放领域音频源分离模型

AudioSep是一种基于自然语言查询的开放领域音频源分离模型。它由文本编码器和分离模型两个关键组件组成。我们在大规模多模态数据集上训练AudioSep，并在许多任务上广泛评估其能力，包括音频事件分离、乐器分离和语音增强。AudioSep表现出强大的分离性能和令人印象深刻的零样本泛化能力，使用音频标题或文本标签作为查询，大大优于以前的音频查询和语言查询声音分离模型。为了保证本工作的可重复性，我们将发布源代码、评估基准和预训练模型。

自然对话生成语音AI

Speaking AI是一款使用先进的大语言模型技术实现的文本到语音转换工具，能够以自然的情感进行对话并实现零样本语音克隆。它可以捕捉你独特的音调、音高和调节，让你以前所未有的方式复制和利用自己的声音。Speaking AI通过先进的技术实现了声音克隆的突破，让语音克隆听起来更加自然。使用Speaking AI，你可以通过录制自己的声音，在短短10秒钟内进行克隆。我们致力于将最先进的AI技术用于推动人类进步，特别是在促进语音克隆技术的发展和应用方面。

在线AI抠图工具 能抠任何图像中的任何对象

SAM是一个可提示的分割系统,能够对不熟悉的对象和图像进行零样本泛化,无需额外训练。它使用各种输入提示,可以进行广泛的分割任务,无需额外训练。它的可提示设计可以与其他系统灵活集成。它在1100万张图像上训练,拥有10亿个分割掩模。它的高效模块化设计使其可以在几毫秒内进行推理。Segment Anything Model (SAM)，该模型能够根据文本指令等方式实现图像分割，而且万物皆可识别和一键抠图，上传图片点击物体即可识别。

无需代码或训练数据即可建立强大的计算机视觉模型

DirectAI是一个基于大型语言模型和零样本学习的平台，可以根据您的描述即时构建适合您需求的模型，无需训练数据。您可以在几秒钟内部署和迭代模型，省去了组装训练数据、标记数据、训练模型和微调模型的时间和费用。DirectAI在纽约市总部，并获得了风投支持，正在改变人们在现实世界中使用人工智能的方式。

AI驱动的代码生成，快速实现从想法到生产。

Jovu是一个AI驱动的代码生成模型，旨在帮助开发者快速构建新服务或扩展现有应用程序。它通过AI技术生成生产就绪的代码，确保一致性、可预测性，并遵循最高标准。Jovu能够加速开发过程，从概念到部署只需几分钟，提供完全可操作的、健壮的后端服务，准备立即上线。它还通过简化开发工作流程、减少时间、优化资源来提高效率和速度。

AI驱动的SERP分析工具，帮助用户发现易于排名的关键词。

TopicRanker是一款AI驱动的搜索引擎排名分析工具，专注于帮助用户通过分析竞争对手的弱点，发现在搜索引擎结果页面(SERP)中易于排名的关键词。它通过提供详尽的分析报告，AI生成的标题建议，内容大纲，博客文章，以及增强型元描述，帮助用户优化内容创作，提高SEO效果。产品背景信息包括它是由CriminallyProlific.com开发的，并且已经帮助多个企业在谷歌上排名第一。价格方面，TopicRanker提供三种不同的订阅计划，满足不同用户的需求。

通过AI引擎提高电子邮件的投递率

Warmy是一个利用人工智能技术来优化电子邮件投递率的平台。它通过分析每个邮箱的发送活动和接收者行为，为每个邮箱制定个性化的预热计划，确保邮件发送量逐渐增加而不会触发垃圾邮件过滤器，从而最大化邮件的投递率。此外，Warmy的Adeline AI引擎能够实时分析发送性能，预测最佳发送时间和频率，帮助用户提高参与度，避免过度发送邮件给接收者造成困扰。Warmy还具备AI驱动的垃圾邮件风险检测功能，能够主动识别并标记具有高垃圾邮件风险的邮件，帮助用户避免邮件落入垃圾邮件文件夹，确保重要邮件能够送达接收者。

将任何流程转化为逐步指南。

Glitter AI是一个创新的在线工具，它允许用户通过点击和说话来快速创建逐步指南。这项技术简化了教学过程，使得向同事、客户甚至家人传授技能变得简单快捷。

沉浸式音频导览，让每个地标自己说话

Tourly Guide是一款移动应用程序，通过使用人工智能技术，为用户提供独特的沉浸式音频导览体验。它允许用户在探索地标时，通过AI生成的音频指南获得深入的了解和教育。该产品的主要优点包括个性化的导览内容、用户友好的界面设计以及对教育和文化探索的重视。Tourly Guide的背景信息显示，它由Roadly, Inc.开发，旨在通过技术提升用户的旅游和学习体验。

使用的 Sora 同架构视频生成模型

Viva 是一个免费的 AI 生成工具和社区，提供 Text-to-Image、Image-to-Image、Text-to-Video、Image-to-Video 等功能，以及强大的 AI 编辑工具。用户可以扩展图像、重新绘制任何内容，使图像和视频更加高质量和 4K。Viva 使 AI 创作更简单、高效。海外产品 viva 发布了首个开放给全部用户使用的 Sora 同架构视频生成模型，而且现阶段免费。 文生视频单次可以生成一条 5 秒的视频，图生视频是 4 秒视频 目前运动幅度最大的视频生成模型，同时图像分辨率也是现在可以用的视频生成产品中最大的。文生视频的效果比图生视频要更好，同时如果要是用的话建议把运动幅度调到 20 左右比较合适。 viva 优势领域就是可以生成比较好的竖屏视频，目前很多视频模型的演示都是横屏视频，竖屏的表现并不好，但是短视频又是视频内容的大头，所以竖屏视频的生成质量是个很重要的指标。 但是一致性有一部分测试中保持的不是很好，同时没有表现出 Sora 那样强大的物理特性模拟以及 3D 一致性。

利用人工智能增强产品团队的决策力和效率

Productboard AI 是一款集成到产品管理平台中的人工智能工具，它通过分析和理解大量的用户反馈和数据点，帮助产品团队做出更明智的决策，提高工作效率，并加速产品从概念到市场的整个生命周期。它由 OpenAI 提供支持，确保数据安全和隐私保护，同时提供无与伦比的数据组合和针对产品管理工作的微调优化。

人工智能语音用户访谈代理，深入洞察客户需求。

UserCall是一款利用人工智能技术进行用户访谈的网站，它通过AI采访员与用户进行一对一的语音通话，从而收集高质量的用户反馈和洞察。这种技术可以大规模地进行用户访谈，提供比传统调查更深入的定性见解，同时节省时间和资源。UserCall的优势在于无需专业用户研究技能，能够自动进行智能跟进提问，帮助企业更好地理解客户需求，改进产品和业务。

将视频或音频内容快速转换成结构化网页摘要的多功能工具。

VideoToPage是一个高效的在线工具，它能够将视频或音频内容转换成结构化的网页摘要，支持多达96种语言，并具有98.5%的高准确率。用户无需订阅即可使用，特别适合需要将视频内容转换成文字资料、教程、博客文章、标准操作程序(SOP)等多种形式的个人和企业。产品提供快速的转录服务，支持长达5小时的视频，且5分钟以内的文件完全免费。此外，还提供内容的语义层次构建、内容类型定义、语义互连、富文本编辑、多语言理解等功能，使得内容的创建、编辑和发布变得简单快捷。

现代AI自动化全球会计解决方案，专为小型企业设计。

Fiskl是一个多货币的全球会计平台，为小型企业、创业者、开发者和自由职业者提供全面的财务管理工具。它支持170多种货币和21,000多家银行，利用人工智能技术简化银行对账流程，实现零接触Stripe支付和银行对账。Fiskl的主要优点包括实时现金流和财务概览、自动化银行同步、全球支付能力、AI驱动的对账节省高达80%的对账工作量。Fiskl的定价策略包括特别优惠，例如年度订阅可享受50%的循环折扣，并提供30天免费试用期。

一键将长视频转换为社交媒体短视频的工具。

reap是一款基于人工智能的视频再利用工具，它能够将长视频内容一键转换成适合社交媒体的短视频。它通过先进的AI分析自动提取视频中最吸引人的片段，生成能够吸引观众的短片。reap支持多种语言，并提供了智能字幕生成、品牌模板定制等功能，帮助内容创作者提高内容的吸引力和可访问性，加速增长和变现。