产品库

轻量快速频率感知扩散声码器

FreGrad是一款轻量快速的频率感知扩散声码器，旨在生成逼真的音频。其框架包括离散小波变换、频率感知扩张卷积和一系列增强模型生成质量的技巧。在实验中，FreGrad相比基准模型，训练速度提升3.7倍，推理速度提升2.2倍，同时模型大小减少0.6倍（仅178万参数），而不牺牲输出质量。

全球音频感知技术的革命性AI唇同步技术。

LIP Sync AI是一项革命性的AI技术，利用全球音频感知引擎将静态照片转换为栩栩如生的会话视频。其主要优点在于高效、现实的生成效果，使得照片具有完美唇部同步。该产品定位于为用户提供高质量的唇同步视频生成服务。

音频比对工具

AVbeam是一款音频比对软件，可用于比较多个音频文件，识别相匹配的音频片段。它支持多种音频格式，能够识别部分匹配的音频片段，并展示匹配的时间偏移和相似度等信息。AVbeam采用强大的音频比对算法，能够在噪音和失真等干扰下准确识别相似的音频片段。它还提供了波形查看器和内置音频播放器，方便用户听取匹配的音频片段。

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。

基于频率分解的身份保持文本到视频生成模型

ConsisID是一个基于频率分解的身份保持文本到视频生成模型，它通过在频域中使用身份控制信号来生成与输入文本描述一致的高保真度视频。该模型不需要针对不同案例进行繁琐的微调，并且能够保持生成视频中人物身份的一致性。ConsisID的提出，推动了视频生成技术的发展，特别是在无需调整的流程和频率感知的身份保持控制方案方面。

训练免费高分辨率图像合成的频率视角

FouriScale从频域分析的角度探讨从预先训练的扩散模型生成高分辨率图像，通过创新的、无需训练的方法，通过将预先训练的扩散模型中的原始卷积层替换为结合膨胀技术和低通操作的方法，通过填充然后裁剪策略进一步增强，实现了灵活处理各种宽高比文本到图像生成。使用FouriScale作为指导，该方法成功平衡了生成图像的结构完整性和保真度，实现了任意尺寸、高分辨率和高质量生成的惊人能力。通过其简单性和兼容性，该方法可以为未来对超高分辨率图像合成的探索提供有价值的见解。

基于感知损失的扩散模型

该论文介绍了一种基于感知损失的扩散模型，通过将感知损失直接纳入扩散训练中来提高样本质量。对于有条件生成，该方法仅改善样本质量而不会影响条件输入，因此不会牺牲样本多样性。对于无条件生成，这种方法也能提高样本质量。论文详细介绍了方法的原理和实验结果。

JoyGen 是一种音频驱动的 3D 深度感知的说话人脸视频编辑技术。

JoyGen 是一种创新的音频驱动 3D 深度感知说话人脸视频生成技术。它通过音频驱动唇部动作生成和视觉外观合成，解决了传统技术中唇部与音频不同步和视觉质量差的问题。该技术在多语言环境下表现出色，尤其针对中文语境进行了优化。其主要优点包括高精度的唇音同步、高质量的视觉效果以及对多语言的支持。该技术适用于视频编辑、虚拟主播、动画制作等领域，具有广泛的应用前景。

单一模型实现2D和3D感知

ODIN（Omni-Dimensional INstance segmentation）是一个模型，可以使用转换器架构在2D RGB图像和3D点云上进行分割和标记。它通过在2D视图内和3D视图之间交替融合信息来区分2D和3D特征操作。ODIN在ScanNet200、Matterport3D和AI2THOR 3D实例分割基准上实现了最先进的性能，并在ScanNet、S3DIS和COCO上实现了竞争性能。当使用来自3D网格的采样点云代替感知的3D点云时，它超过了以往所有的作品。作为可指导的具体化代理架构中的3D感知引擎时，它在TEACh对话动作基准上树立了新的最先进水平。我们的代码和检查点可以在项目网站找到。

AI 文本摘要器 HIX Summarizer 可即时总结文章。

HIX 总结器是一个 AI 文本摘要器，能够将冗长复杂的内容转变为简短摘要，节省时间，提高效率。其主要优点在于快速、精准地总结文章、文档和 YouTube 视频，适用于快速获取信息的生产力工具。

音频采样器，创造音乐节奏

ComfyUI-StableAudioSampler 是一款集成在 ComfyUI 节点中的音频采样器插件，它允许用户生成音频并输出原始字节和采样率，支持所有原始 Stable Audio Open 参数，并可以保存音频到文件。这个插件是开源的，并且正在积极开发中，旨在为音乐制作者提供一个易于使用且功能强大的工具。

浏览器AI助手，提升工作学习效率

豆包浏览器插件旨在通过AI技术提升用户的工作效率和学习效率。它具备快速视频与一键从网页、PDF和视频中总结并生成亮点的功能，同时支持在网页任意地方划词进行全方位AI搜索。此外，它还提供全文对照翻译功能，帮助用户在阅读外文资料时更轻松地理解内容。豆包插件的设计理念是将AI技术与日常使用场景相结合，让用户在进行网页浏览、文档阅读和视频观看时能够更加便捷地获取信息和知识。

音频生成与自动字幕生成模型

GenAU是一个由Snap Research开发的音频生成模型，它通过AutoCap自动字幕生成模型和GenAu音频生成架构，显著提升了音频生成的质量。它在生成环境声音和效果方面具有挑战性，特别是在数据稀缺和字幕质量不足的情况下。GenAU模型能够生成高质量的音频，并且在音频合成领域具有很大的潜力。

高质量音频生成框架

AudioLM是由Google Research开发的一个框架，用于高质量音频生成，具有长期一致性。它将输入音频映射到离散标记序列，并将音频生成视为这一表示空间中的语言建模任务。AudioLM通过在大量原始音频波形上训练，学习生成自然且连贯的音频续篇，即使在没有文本或注释的情况下，也能生成语法和语义上合理的语音续篇，同时保持说话者的身份和韵律。此外，AudioLM还能生成连贯的钢琴音乐续篇，尽管它在训练时没有使用任何音乐的符号表示。

AI驱动的品牌感知测量与追踪

DEZAN.cc是一款基于人工智能的品牌感知测量与追踪工具。它可以通过生成定制的问卷调查，深入了解品牌与竞争对手的感知。DEZAN.cc集成了Google AdWords，可以精确部署问卷调查，从而获得可靠的数据。它还利用AI技术快速自动化地分析数据，并提供有关品牌感知的洞察力。通过DEZAN.cc，您可以了解潜在客户对品牌的价值观，并根据这些洞察力来塑造您的品牌战略。

实时翻译器，捕捉来自WINDOWS扬声器和麦克风的任何音频

Hanami Live Translator是一个实时翻译器，可以捕捉来自WINDOWS扬声器和麦克风的任何音频。它使用轻量级多进程和分块处理音频，每个块处理时间约为3-5秒。该应用程序通过低级访问创建硬件回环，即使扬声器静音，也可以监听内容。它使用soundcard库捕获音频信号，SpeechRecognition库将二进制音频转换为文本，selenium库模拟deepl服务器的网络调用进行免费翻译。该应用程序需要与互联网连接才能运行，并通过Traces.log文件记录所有操作。

音乐人的AI音频分离工具

Moises是一款专为音乐人设计的应用程序，利用人工智能技术分离音乐中的人声和乐器声音，帮助音乐爱好者、学生、教师和社交媒体内容创作者等目标用户群体学习和创作音乐。产品背景信息显示，Moises以其先进的AI音频分离技术，为用户提供了一种全新的音乐学习与创作方式，其主要优点包括操作简便、功能全面以及对多种音频格式的支持。Moises提供免费版本，并提供月度和年度的高级订阅服务。

音频转文字，快速高效

Rythmex是一款在线音频转文字工具，支持超过140种语言，用户只需上传音频或视频文件，选择对应的语言，即可在60秒内开始编辑并下载转换后的文本。该产品功能强大，优势在于快速、准确地将音频转换为文字，定价灵活，定位于商业用户和教育用户。

原生音频娱乐平台

Jamit是全球首个Podcast 3.0平台，提供分布式托管、全球覆盖、互动奖励和独特NFT体验等功能。用户可以在Jamit上发现和聆听不同领域的故事，创建并发展自己的社区，并享受作为Jamit创作者和所有者的独立性。

LG在CES 2025展示基于AI的车内感知解决方案

LG AI In-Vehicle Experience是LG电子在CES 2025上展示的最新创新技术，旨在通过LG的Vision AI解决方案，检测并响应车内乘员的需求，优化车内环境，提升驾驶体验的安全性和便利性。这项AI驱动的车内感知解决方案通过实时监测和分析驾驶员和车内情况，提供个性化服务，如定制驾驶路线、实时路况更新以及附近基础设施和兴趣点信息。该技术通过实时心率监测和面部表情识别，识别驾驶员的生理健康和情绪状态，提高道路安全，并为驾驶员提供健康追踪的便捷方式。

实时零唇语音转换的流式上下文感知语言建模

StreamVoice是一种基于语言模型的零唇语音转换模型，可实现实时转换，无需完整的源语音。它采用全因果上下文感知语言模型，结合时间独立的声学预测器，能够在每个时间步骤交替处理语义和声学特征，从而消除对完整源语音的依赖。为了增强在流式处理中可能出现的上下文不完整而导致的性能下降，StreamVoice通过两种策略增强了语言模型的上下文感知性：1）教师引导的上下文预见，在训练过程中利用教师模型总结当前和未来的语义上下文，引导模型对缺失上下文进行预测；2）语义屏蔽策略，促进从先前受损的语义和声学输入进行声学预测，增强上下文学习能力。值得注意的是，StreamVoice是第一个基于语言模型的流式零唇语音转换模型，无需任何未来预测。实验结果表明，StreamVoice具有流式转换能力，同时保持与非流式语音转换系统相媲美的零唇性能。

Origlio - 音频转文字和更多服务

Origlio是一款音频转文字的服务，还提供更多功能。它可以将您的音频消息转录成文字，帮助您管理和整理语音消息。您可以将音频转发给Origlio，几秒钟后即可获得转录结果。除了音频转录，Origlio还提供丰富的响应功能，帮助您更好地完成日常工作。

在线视频、音频、图像 AI 工具

Media.io 是一个在线平台，提供一系列便携式的 AI 工具，用于视频、音频和图像编辑。它提供了视频卡通化、AI 头像生成器、图像增强器和水印去除器等功能。Media.io 还提供了其他视频和音频编辑工具，如视频增强器、音频转换器和声音变换器。该平台旨在帮助用户使用 AI 智能地优化他们的媒体文件，并轻松创建高质量的内容。

360AI 浏览器，AI 赋能，秒懂一切。

360AI 浏览器利用人工智能技术，提供智能搜索、PDF、视频、网页总结等功能，旨在帮助用户高效获取知识，提升阅读体验。

免费AI音频过滤器，清理口语音频

Enhance Speech from Adobe是一款免费的AI音频过滤器，可以将口语音频处理得像在声音隔音工作室中录制的一样。它可以自动清除背景噪音，调整音量平衡，提升音频质量。用户可以将录音文件上传到该平台，通过AI算法进行音频优化处理。Enhance Speech from Adobe适用于广播、播客、音频制作等领域。该产品完全免费使用。

AI音频母带处理

Mastermallow AI Audio Mastering是一个智能音频母带处理服务，旨在为内容创作者、音乐家和播客人士提供专业的音频处理。通过AI技术，将您的歌曲、播客等转化为行业级音频轨道。无需预约，快速完成。相较于传统的专业音频工程师，成本降低了20倍，速度提高了100倍。不满意不付款。

AI音频剪辑工具

Syft是一款AI音频剪辑工具，通过智能算法快速生成剪辑片段。它提供简单易用的界面和丰富的功能，可以帮助用户快速剪辑和编辑音频文件。无论是制作音频广告、播客剪辑还是个人音频作品，Syft都能满足你的需求。定价灵活，适合个人和企业用户。

高效的文本到音频生成模型

TangoFlux是一个高效的文本到音频（TTA）生成模型，拥有515M参数，能够在单个A40 GPU上仅用3.7秒生成长达30秒的44.1kHz音频。该模型通过提出CLAP-Ranked Preference Optimization (CRPO)框架，解决了TTA模型对齐的挑战，通过迭代生成和优化偏好数据来增强TTA对齐。TangoFlux在客观和主观基准测试中均实现了最先进的性能，并且所有代码和模型均开源，以支持TTA生成的进一步研究。

音频 | 数据 | 新兴技术

Sonify是一个在音频、数据和新兴技术交汇处创新的公司。我们设计和开发以音频为核心的产品和数据驱动的解决方案。我们的产品和服务帮助用户将数据转化为音乐和声音，实现数据的可视化和理解。Sonify提供各种音频和数据相关的服务，包括数据可视化、音频处理、数据驱动的音乐创作等。我们的产品灵活多样，可适用于不同领域和场景，包括科学研究、教育培训、艺术创作等。

浏览器AI助手，提供多链接总结、站内高级检索等功能

智谱清言是一款浏览器插件，旨在提升用户的上网体验。它通过AI技术，为用户提供多链接总结、站内高级检索、写作助手和划线翻译等功能，帮助用户更高效地获取和管理信息。产品背景信息显示，智谱清言致力于成为用户的全自动上网助手，通过智能化服务提升工作效率。目前产品提供免费试用，定位于需要高效信息处理和写作支持的用户群体。