产品库

StemGen: 一款聆听音乐生成模型

StemGen是一款端到端音乐生成模型，训练成能够聆听音乐背景并做出适当回应的模型。它建立在非自回归语言模型类型的架构上，类似于SoundStorm和VampNet。更多细节请参阅论文。该页面展示了该架构模型的多个示例输出。

生成4分钟的音乐作品，结合多种音乐风格和乐器

MuseNet是一个深度神经网络模型，可以生成4分钟的音乐作品，使用10种不同的乐器，并且可以结合多种音乐风格，从乡村到莫扎特再到披头士。MuseNet通过学习预测数十万个MIDI文件中的下一个音符，发现了和声、节奏和风格的模式。该模型采用了与GPT-2相同的通用无监督学习技术，可以预测音频或文本序列中的下一个标记。

盲图像恢复技术，利用即时生成参考图像恢复破损图像

InstantIR是一种基于扩散模型的盲图像恢复方法，能够在测试时处理未知退化问题，提高模型的泛化能力。该技术通过动态调整生成条件，在推理过程中生成参考图像，从而提供稳健的生成条件。InstantIR的主要优点包括：能够恢复极端退化的图像细节，提供逼真的纹理，并且通过文本描述调节生成参考，实现创造性的图像恢复。该技术由北京大学、InstantX团队和香港中文大学的研究人员共同开发，得到了HuggingFace和fal.ai的赞助支持。

长文本问答增强型检索生成模型

LongRAG是一个基于大型语言模型（LLM）的双视角、鲁棒的检索增强型生成系统范式，旨在增强对复杂长文本知识的理解和检索能力。该模型特别适用于长文本问答（LCQA），能够处理全局信息和事实细节。产品背景信息显示，LongRAG通过结合检索和生成技术，提升了对长文本问答任务的性能，特别是在需要多跳推理的场景中。该模型是开源的，可以免费使用，主要面向研究者和开发者。

基于文本生成图像的多模态扩散变换器模型

Stable Diffusion 3.5 Medium是一个基于文本到图像的生成模型，由Stability AI开发，具有改进的图像质量、排版、复杂提示理解和资源效率。该模型使用了三个固定的预训练文本编码器，通过QK-规范化提高训练稳定性，并在前12个变换层中引入双注意力块。它在多分辨率图像生成、一致性和各种文本到图像任务的适应性方面表现出色。

连续时间一致性模型的简化、稳定与扩展

OpenAI 提出的连续时间一致性模型（sCM）是一种生成模型，它在生成高质量样本时，只需要两个采样步骤，与领先的扩散模型相比，具有显著的速度优势。sCM 通过简化理论公式，稳定并扩展了大规模数据集的训练，使得在保持样本质量的同时，大幅减少了采样时间，为实时应用提供了可能性。

高效能的文本到图像生成模型

Stable Diffusion 3.5 Large Turbo 是一个基于文本生成图像的多模态扩散变换器（MMDiT）模型，采用了对抗性扩散蒸馏（ADD）技术，提高了图像质量、排版、复杂提示理解和资源效率，特别注重减少推理步骤。该模型在生成图像方面表现出色，能够理解和生成复杂的文本提示，适用于多种图像生成场景。它在Hugging Face平台上发布，遵循Stability Community License，适合研究、非商业用途以及年收入少于100万美元的组织或个人免费使用。

探索你和狗的相似与不同，发现更多趣味互动。

这是一个提供趣味互动和娱乐内容的网站，通过轻松幽默的方式让用户探索与狗的相似之处，同时提供其他多种娱乐功能，如星座运势、歌词接龙等，旨在为用户带来轻松愉快的体验。

使用文本生成音乐的模型

FluxMusic是一个基于PyTorch实现的文本到音乐生成模型，它通过扩散式修正流变换器探索了一种简单的文本到音乐生成方法。这个模型可以生成根据文本提示的音乐片段，具有创新性和高度的技术复杂性。它代表了音乐生成领域的前沿技术，为音乐创作提供了新的可能。

ViPer是一种个性化方法，通过要求用户对几张图片发表评论，解释他们的喜好和不喜好，提取个人偏好。这些偏好指导文本到图像模型生成符合个人口味的图像。

ViPer是一种个性化生成模型，可以根据用户的视觉偏好生成符合个人口味的图像。该模型使用了稳定扩散XL技术，可以在保持图像质量的同时实现个性化生成。ViPer的主要优点是可以为用户提供个性化的图像生成服务，满足用户的个性化需求。

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。

一站式创意平台，激发无限创意。

聚好用AI是一个集成了多种创意工具的在线平台，旨在帮助用户快速生成和编辑各种创意内容。它结合了AI技术，使得设计、绘画、音乐创作等变得更加简单和高效。平台的主要优点在于其易用性、高效性和创新性，能够满足不同用户在创意表达上的需求。聚好用AI背后的技术团队拥有丰富的行业经验，致力于通过AI技术推动创意产业的发展。目前，该平台提供免费试用，但部分高级功能可能需要付费。

开源的基于流的文本到图像生成模型

AuraFlow v0.1是一个完全开源的、基于流的文本到图像生成模型，它在GenEval上达到了最先进的结果。目前模型处于beta阶段，正在不断改进中，社区反馈至关重要。感谢两位工程师@cloneofsimo和@isidentical将此项目变为现实，以及为该项目奠定基础的研究人员。

3D生成建模的高精度和结构化辐射表示

GaussianCube是一种创新的3D辐射表示方法，它通过结构化和显式的表示方式，极大地促进了三维生成建模的发展。该技术通过使用一种新颖的密度约束高斯拟合算法和最优传输方法，将高斯函数重新排列到预定义的体素网格中，从而实现了高精度的拟合。与传统的隐式特征解码器或空间无结构的辐射表示相比，GaussianCube具有更少的参数和更高的质量，使得3D生成建模变得更加容易。

实时表情生成人类模型

PROTEUS是Apparate Labs推出的一款下一代基础模型，用于实时表情生成人类。它采用先进的transformer架构的潜在扩散模型，创新的潜在空间设计实现了实时效率，并能通过进一步的架构和算法改进，达到每秒100帧以上视频流。PROTEUS旨在提供一种通过语音控制的视觉体现，为人工对话实体提供直观的接口，并且与多种大型语言模型兼容，可定制用于多种不同应用。

Cohere的生成AI平台使用指南

Cookbooks是Cohere提供的一个在线文档平台，旨在帮助开发者和用户了解如何利用Cohere的生成AI平台构建各种应用。它包含了多种使用案例的指南，如构建代理、集成开源软件、语义搜索、云服务、检索增强生成(RAG)、摘要生成等。这些指南提供了最佳实践，帮助用户最大限度地利用Cohere的模型，并且所有内容都已设置好，准备就绪，供用户开始测试。

一种新的文本条件高分辨率生成模型

Phased Consistency Model（PCM）是一种新型的生成模型，旨在解决Latent Consistency Model（LCM）在文本条件高分辨率生成中的局限性。PCM通过创新的策略在训练和推理阶段提高了生成质量，并通过广泛的实验验证了其在不同步骤（1步、2步、4步、8步、16步）下与Stable Diffusion和Stable Diffusion XL基础模型的结合效果。

自动生成适合旅行的个性化音乐播放列表

Trip Tunes是一款为旅行者设计的应用程序，能够自动创建与旅行氛围相匹配的音乐播放列表。用户只需输入旅行的基本信息和音乐偏好，应用程序就会利用算法精心挑选出符合当地音乐场景和旅行风格的曲目。该应用特别适合那些希望在旅途中享受个性化音乐体验的用户。

在本地使用 LLMs 根据自然语言提示生成音乐。

MusicGPT 是一款允许在任何平台上以高性能方式在本地运行最新音乐生成 AI 模型的应用程序。它支持文本条件音乐生成、旋律条件音乐生成以及不确定长度 / 无限音乐流。产品优势在于无需安装重型依赖如 Python 或机器学习框架，能够本地运行 AI 模型，提供自然语言提示生成音乐的功能。

免费的人声克隆工具 支持多种语言和口音。

AI 克隆声音是一项利用机器学习技术生成与特定人声相似的语音的技术。无需特殊设备，可在浏览器中快速生成高质量的克隆声音。价格分为免费基础服务和付费高级服务，提供更多的声音定制选项。

Wondershare Filmora®是一款强大且易于使用的视频编辑器

Wondershare Filmora®是一款由人工智能驱动的视频编辑器，具备完整的工具、音乐、特效、标题和转场功能，支持各种类型的视频制作。不论你是初学者还是高级创作者，Filmora都能帮助你轻松创建引人入胜的社交媒体、营销、教育等各种视频。

Imagen 3是我们质量最高的文本到图像模型，能够生成具有更好细节、更丰富光照和更少干扰性伪影的图像。

Imagen 3是我们质量最高的文本到图像模型，能够生成具有更好细节、更丰富光照和更少干扰性伪影的图像。Imagen 3通过改进文本理解能力，可以生成多种视觉风格的图像，并捕捉长文本提示中的小细节。Imagen 3可用于生成快速草图到高分辨率图像等不同类型任务，并提供多个优化版本。

创造属于自己的专辑封面艺术

CoverArtist是一个使用人工智能技术生成专辑封面艺术的在线工具。它可以根据歌曲标题和歌词等信息，快速生成独特而令人赏心悦目的专辑封面。CoverArtist提供快速、简单、经济高效的封面艺术生成服务，让音乐人能够专注于创作。

一个统一的文本到任意模态生成框架

Lumina-T2X是一个先进的文本到任意模态生成框架，它能够将文本描述转换为生动的图像、动态视频、详细的多视图3D图像和合成语音。该框架采用基于流的大型扩散变换器（Flag-DiT），支持高达7亿参数，并能扩展序列长度至128,000个标记。Lumina-T2X集成了图像、视频、3D对象的多视图和语音频谱图到一个时空潜在标记空间中，可以生成任何分辨率、宽高比和时长的输出。

Suno-list是一个AI音乐列表平台，每日更新AI音乐的热门曲目和专家评论。

Suno-list是一个提供AI音乐列表的网站，它通过AI技术和专家评论来推荐热门的AI音乐曲目。Suno-list的优点包括每日更新、精选热门曲目、专家评论等。

鼓曲剥离器 - 移除您最喜欢的歌曲中的鼓声。

Drumless是一个能够从任何歌曲中剥离鼓声的工具。通过使用人工智能技术，您可以练习和玩乐，并成为一名更好的鼓手。Drumless的主要优点是帮助鼓手实现与他们最喜欢的乐队音乐的合作，创造出全新、自由和富有创造力的方式。

免费AI歌词、音乐和歌曲生成应用。快速歌词AI、韵律AI、AI歌词助手、AI音乐魔术、AI音乐生成器和歌词转音乐AI。现在可在网页应用、App Store和Google Play上使用。

AUDOIR提供免费的AI歌词、音乐和歌曲生成应用。这些应用包括快速歌词AI、韵律AI、AI歌词助手、AI音乐魔术、AI音乐生成器和歌词转音乐AI。它们利用人工智能技术生成高质量的歌词、音乐和歌曲，帮助用户在创作音乐方面提供灵感和支持。产品具有高度的自动化和智能化，可以提供个性化的创作体验。AUDOIR的目标是使音乐创作变得更加简单、快速和有趣。

SpleeterGUI 是一款音乐源分离桌面应用程序。

SpleeterGUI 是一个音乐源分离的桌面应用程序，用户无需安装 Python 或 Spleeter，该应用程序内含预装 Python 版本和 Spleeter。通过分离音轨，用户可以从音乐中提取出不同的声音源，提供了更灵活的音频处理能力。