产品库

生成逼真动态人像视频的先进技术

EchoMimic是一个先进的人像图像动画模型，能够通过音频和选定的面部特征点单独或组合驱动生成逼真的肖像视频。它通过新颖的训练策略，解决了传统方法在音频驱动时可能的不稳定性以及面部关键点驱动可能导致的不自然结果。EchoMimic在多个公共数据集和自收集数据集上进行了全面比较，并在定量和定性评估中展现出了卓越的性能。

通过表情丰富的掩蔽音频手势建模实现整体共话手势生成

EMAGE是一种统一的整体共话手势生成模型,通过表情丰富的掩蔽音频手势建模来生成自然的手势动作。它可以从音频输入中捕捉语音和韵律信息,并生成相应的身体姿势和手势动作序列。EMAGE能够生成高度动态和表现力丰富的手势,从而增强虚拟人物的互动体验。

实时转录与会议总结的谷歌会议扩展

MBox AI Meet是一款免费Chrome扩展，专为Google Meet设计，提供实时转录和自动生成会议总结的功能。它利用AI技术帮助用户在会议中专注于讨论，而无需担心记笔记。该工具通过实时转录捕捉会议的每一个细节，并在会议结束后自动生成总结，确保用户不会错过任何重要信息。MBox AI Meet的隐私优先策略确保会议安全，不存储任何音频或视频内容。此外，该扩展还计划在未来更新中增加更多AI功能，如发言人识别、实时AI助手等。

本地安全AI，保障数据隐私。

Klee是一款macOS原生的AI助手应用程序，专注于本地处理数据，确保数据安全和隐私。它使用先进的AI技术，如RAG（检索增强生成）和开源大型语言模型，如Llama 3和Mistral，为用户提供高效、智能的笔记、搜索和知识管理功能。Klee的主要优点包括本地运行以保护隐私、支持团队协作、免费使用以及优化的macOS体验。

图像识别、标注和关键词生成工具

CrossPrism for MacOS 是一款专为摄影师设计的图像识别、标注和关键词生成工具。它利用多核 CPU、GPU 和神经引擎，能够识别物种、生成标题和描述，并支持模型训练的可定制性。用户可以在本地自动标注无限量的原始照片，确保所有照片安全地存储在 Mac 上，无需担心云服务中断、数据锁定或文件传输问题。其20多个专家模型可以对从鸟类到地标的各种内容进行分类，并提供新的视角来整理目录和重新发现旧照片。此外，它还支持视频处理、Lightroom 插件、图像质量评估等功能，使其成为一个强大的筛选工具。

一站式AI内容生成器，助力跨境电商提升效率。

Kerqu.Ai是一个为跨境电商卖家提供一站式AI解决方案的平台，整合了先进的AI技术，帮助用户节约成本、提升品牌影响力和销售转化率。产品通过AI技术实现模特换场景、AI图片创作、批量抠图、图片变高清等功能，同时提供一键撰写文案、优化文案和多语言翻译服务，满足多站点经营需求。

智能生成图表工具

AI Generated Diagram 是一款利用人工智能技术生成图表的工具。它通过用户输入的提示（prompts）来创建图表，支持多种布局类型，如水平布局（Horizontal）。用户可以通过编辑、配置等操作来调整图表的细节，并支持导出为SVG格式或导出数据。该工具不仅提高了设计图表的效率，还通过AI技术提升了图表的美观度和准确性。

高质量、类人同声传译系统

CLASI是一个由字节跳动研究团队开发的高质量、类人同声传译系统。它通过新颖的数据驱动读写策略平衡翻译质量和延迟，采用多模态检索模块来增强特定领域术语的翻译，利用大型语言模型（LLMs）生成容错翻译，考虑输入音频、历史上下文和检索信息。在真实世界场景中，CLASI在中英和英中翻译方向上分别达到了81.3%和78.0%的有效信息比例（VIP），远超其他系统。

AI定制周晚餐计划

OnlyPans是一个利用人工智能技术为用户提供定制化晚餐计划的应用程序。它通过与用户的简短聊天来了解用户的预算、口味偏好、语言习惯、饮食限制以及日常生活的忙碌程度，然后快速生成符合用户需求的晚餐计划。随着用户使用时间的增长，OnlyPans会不断学习和优化，提供更加个性化的服务。此外，OnlyPans还提供智能购物清单功能，帮助用户避免食品浪费和不必要的紧急购物。OnlyPans注重用户隐私保护，承诺不会出售用户的任何信息。

将Excel转换为仪表板和报告的AI工具。

Excel Dashboard AI是一款利用人工智能技术，将Excel数据快速转换为交互式仪表板和分析报告的工具。它通过自然语言处理能力，允许用户以对话形式与数据进行交流，从而迅速获得洞察。产品的主要优点包括快速生成多样化的数据分析维度、自然语言编辑和锁定分析视角、一键生成交互式仪表板、AI解读图表含义以及将仪表板转换为详尽的分析报告等。

基于 AI 技术生成视频内容的智能服务。

清影 AI 视频生成服务是一个创新的人工智能平台，旨在通过智能算法生成高质量的视频内容。该服务适合各种行业用户，能够快速便捷地生成富有创意的视觉内容。无论是商业广告、教育课程还是娱乐视频，清影 AI 都能提供优质的解决方案。该产品依托于先进的 GLM 大模型，确保生成内容的准确性与丰富性，同时满足用户个性化需求。提供免费试用，鼓励用户探索 AI 视频创作的无限可能。

预测视频内容的传播性

Viral Insight 是一款 AI 应用程序，能够预测视频内容的病毒传播性。用户可以上传视频信息，几秒钟内即可获得预测结果。这款产品是 Buildspace 项目的一部分，旨在帮助内容创作者了解其视频内容在发布前可能的传播效果。

音乐创作的先进模型，提供高质量音频和创新功能。

Udio v1.5是一个音乐创作平台的高级版本，它在v1的基础上进行了多项改进，包括提高音质、提供音调控制、改善全球语言支持等。它生成48kHz立体声轨道，提供更清晰的音质和更好的乐器分离度。此外，Udio v1.5还提供了一系列新功能，如专用创作页面、音轨下载、音频转音频混音、可分享的歌词视频等，旨在进一步赋能音乐创作者。

为LivePortrait提供的ComfyUI节点

ComfyUI-LivePortraitKJ是一个开源项目，通过ComfyUI节点为LivePortrait提供支持。它允许用户在实时视频和图片中实现面部特征的捕捉和动画效果，支持多种面部检测技术，包括Insightface和MediaPipe。该项目采用MIT许可证，提供了更好的Mac支持，并优化了性能和效率，允许在ComfyUI环境中实现接近实时的视图体验。

AI驱动的个人电脑助手

PC Agent是一款利用人工智能技术，通过屏幕内容和音频转录来理解用户的电脑环境，从而提供更加精准的辅助服务。它旨在解决当前聊天机器人的局限性，通过更深层次的交互提升用户体验。产品背景信息显示，PC Agent注重于提升个人电脑的使用效率，其主要优点包括智能理解环境、提供个性化帮助和持续的功能更新。

一键翻译创意作品至75+种语言

Vitra.ai是一个提供在线翻译服务的平台，专注于帮助设计师和企业将创意作品翻译成多种语言，以扩大品牌在全球的受众范围。其核心优势在于通过上下文翻译引擎确保品牌声音和信息与当地受众产生共鸣，同时保持品牌身份。Vitra.ai还提供了翻译记忆和术语表功能，以确保跨语言的术语一致性和准确性。此外，Vitra.ai还提供校对服务，确保翻译的100%准确性，并支持跨团队协作，简化流程。

全端到端的类人语音对话模型

SpeechGPT2是由复旦大学计算机科学学院开发的端到端语音对话语言模型，能够感知并表达情感，并根据上下文和人类指令以多种风格提供合适的语音响应。该模型采用超低比特率语音编解码器（750bps），模拟语义和声学信息，并通过多输入多输出语言模型（MIMO-LM）进行初始化。目前，SpeechGPT2还是一个基于轮次的对话系统，正在开发全双工实时版本，并已取得一些有希望的进展。尽管受限于计算和数据资源，SpeechGPT2在语音理解的噪声鲁棒性和语音生成的音质稳定性方面仍有不足，计划未来开源技术报告、代码和模型权重。

多语言大型语言模型，优化对话场景。

Meta Llama 3.1是一系列多语言的大型预训练和指令调整的生成模型，包含8B、70B和405B大小的版本。这些模型专为多语言对话用例而优化，并在常见行业基准测试中表现优于许多开源和闭源聊天模型。模型使用优化的transformer架构，并通过监督式微调(SFT)和强化学习与人类反馈(RLHF)进行调整，以符合人类对有用性和安全性的偏好。

多语言对话生成模型

Meta Llama 3.1系列模型是一套预训练和指令调整的多语言大型语言模型（LLMs），包含8B、70B和405B三种规模的模型，专为多语言对话使用案例优化，性能优于许多开源和闭源聊天模型。

自动化解释性代理，提升AI模型透明度

MAIA（Multimodal Automated Interpretability Agent）是由MIT计算机科学与人工智能实验室（CSAIL）开发的一个自动化系统，旨在提高人工智能模型的解释性。它通过视觉-语言模型的支撑，结合一系列实验工具，自动化地执行多种神经网络解释性任务。MAIA能够生成假设、设计实验进行测试，并通过迭代分析来完善其理解，从而提供更深入的AI模型内部运作机制的洞察。

多语言大型语言模型，优化对话和文本生成。

Meta Llama 3.1是一系列预训练和指令调整的多语言大型语言模型（LLMs），包含8B、70B和405B三种大小的模型，专门针对多语言对话使用案例进行了优化，并在行业基准测试中表现优异。该模型使用优化的transformer架构，并通过监督式微调（SFT）和人类反馈的强化学习（RLHF）进一步与人类偏好对齐，以确保其有用性和安全性。

快速高效的文本到图表生成工具。

Mermaid AI是一个由Mermaid JS团队开发的图表生成工具，它通过文本快速生成图表，简化了文档流程，提高了团队间的沟通效率。它支持多种图表类型，包括流程图、序列图、Git图等，并且具有代码驱动的自动化功能，使得设计系统和新成员入职更加高效和易于管理。

一站式AI应用部署平台。

OmniAI是一个提供统一API体验的AI应用构建平台，支持在现有基础设施内运行，支持多种AI模型，如Llama 3、Claude 3、Mistral Large等，适用于自然语言理解、生成任务等复杂需求。

Bing的新型生成式搜索体验。

Bing generative search是微软Bing搜索团队推出的新型搜索体验，它结合了生成式人工智能和大型语言模型（LLMs）的能力，为用户提供定制化和动态的搜索结果。该技术通过理解用户查询，审核数百万信息源，动态匹配内容，并以新的AI生成的布局生成搜索结果，以更有效地满足用户查询的意图。

文本到视频生成领域的先进模型架构

Open-Sora Plan v1.2是一个开源的视频生成模型，专注于文本到视频的转换任务。它采用3D全注意力架构，优化了视频的视觉表示，并提高了推理效率。该模型在视频生成领域具有创新性，能够更好地捕捉联合空间-时间特征，为视频内容的自动生成提供了新的技术路径。

70亿参数的大型多语言对话生成模型

Meta Llama 3.1是Meta公司推出的一种大型语言模型，拥有70亿参数，支持8种语言的文本生成和对话。该模型使用优化的Transformer架构，并通过监督微调(SFT)和人类反馈强化学习(RLHF)进行调优，以符合人类对有用性和安全性的偏好。它旨在为商业和研究用途提供支持，特别是在多语言对话场景下表现出色。

多语言对话生成模型

Meta Llama 3.1是一系列预训练和指令调整的多语言大型语言模型（LLMs），支持8种语言，专为对话使用案例优化，并通过监督式微调（SFT）和人类反馈的强化学习（RLHF）来提高安全性和有用性。

视频到音频生成模型，增强同步性

MaskVAT是一种视频到音频(V2A)生成模型，它利用视频的视觉特征来生成与场景匹配的逼真声音。该模型特别强调声音的起始点与视觉动作的同步性，以避免不自然的同步问题。MaskVAT结合了全频带高质量通用音频编解码器和序列到序列的遮蔽生成模型，能够在保证高音频质量、语义匹配和时间同步性的同时，达到与非编解码器生成音频模型相媲美的竞争力。

生成多视角视频的模型

Stable Video 4D (SV4D) 是基于 Stable Video Diffusion (SVD) 和 Stable Video 3D (SV3D) 的生成模型，它接受单一视角的视频并生成该对象的多个新视角视频（4D 图像矩阵）。该模型训练生成 40 帧（5 个视频帧 x 8 个摄像机视角）在 576x576 分辨率下，给定 5 个相同大小的参考帧。通过运行 SV3D 生成轨道视频，然后使用轨道视频作为 SV4D 的参考视图，并输入视频作为参考帧，进行 4D 采样。该模型还通过使用生成的第一帧作为锚点，然后密集采样（插值）剩余帧来生成更长的新视角视频。

AI模型，动态多角度视频生成。

Stable Video 4D是Stability AI最新推出的AI模型，它能够将单个对象视频转换成八个不同角度/视图的多个新颖视图视频。这项技术代表了从基于图像的视频生成到完整的3D动态视频合成的能力飞跃。它在游戏开发、视频编辑和虚拟现实等领域具有潜在的应用前景，并且正在不断优化中。