产品库

训练无监督一致性文本到图像生成

ConsiStory是一个无需训练就能实现在预训练的文本到图像模型中生成一致性主体的方法。它不需要微调或个性化,因此比先前最优方法快20倍。我们通过引入以主体为驱动的共享注意力模块和基于对应关系的特征注入来增强模型,以促进图像之间的主体一致性。另外,我们开发了在保持主体一致性的同时鼓励布局多样性的策略。ConsiStory可以自然地扩展到多主体场景,甚至可以实现对常见对象的无需训练的个性化。

Nano Banana Pro AI，快速生成4K图像，角色一致、文本准确，支持专业编辑。

Nano Banana Pro AI是一款革命性的AI图像生成与编辑器，由Gemini 3 Pro提供支持。其主要优点在于解决了当前AI图像生成领域的关键问题，如角色一致性差、生成速度慢和文本识别不准确等。它能够在数秒内生成完美的4K图像，具有极高的角色一致性和文本准确性，生成速度比竞争对手快6倍。产品定位为专业级图像创作工具，适用于广告公司、社交媒体运营者、内容创作者等需要高效、高质量图像生成的用户。目前提供免费试用，具体付费价格未提及。

基于Gemini 3 Pro Image的AI图像生成器，支持文本渲染和4K画质

Nano Banana Pro是为释放Google Gemini 3 Pro Image模型全部潜力而构建的专业级界面。它提供了具有原生文本渲染、一致角色生成功能的工作室级仪表盘。主要优点在于能够将文本作为核心视觉元素进行渲染，保证角色特征的一致性，支持图像内文本翻译，还具备4K精确放大等功能。产品背景依托于Google强大的Gemini 3 Pro Image模型。价格方面，提供免费试用，新用户注册可获得4个免费积分，每日登录还能赚取2个免费积分。其定位是面向专业人士和有商业需求的用户，用于高质量图像生成。

一种无需训练的单提示文本到图像生成方法，用于一致的图像生成。

1Prompt1Story是一种创新的文本到图像生成技术，能够在无需额外训练的情况下，通过单个提示生成一致的图像序列。该技术利用语言模型的上下文一致性，通过单个提示串联所有描述，生成具有身份一致性的图像。它支持多角色生成、空间控制生成以及真实图像个性化等功能，具有广泛的应用前景。该模型主要面向需要高效、一致图像生成的创作者和开发者，可用于故事创作、动画制作等领域。

提高文本到图像合成质量的一致性蒸馏技术

TCD是一种用于文本到图像合成的一致性蒸馏技术，它通过轨迹一致性函数（TCF）和策略性随机采样（SSS）来减少合成过程中的错误。TCD在低NFE（噪声自由能量）时显著提高图像质量，并在高NFE时保持比教师模型更详细的结果。TCD不需要额外的判别器或LPIPS监督，即可在低NFE和高NFE时均保持优越的生成质量。

StoryDiffusion 能够通过生成一致的图像和视频来创造魔法故事。

StoryDiffusion 是一个开源的图像和视频生成模型，它通过一致自注意力机制和运动预测器，能够生成连贯的长序列图像和视频。这个模型的主要优点在于它能够生成具有角色一致性的图像，并且可以扩展到视频生成，为用户提供了一个创造长视频的新方法。该模型对AI驱动的图像和视频生成领域有积极的影响，并且鼓励用户负责任地使用该工具。

基于预训练的文本到图像模型生成高质量、多视角一致的3D物体图像。

ViewDiff 是一种利用预训练的文本到图像模型作为先验知识,从真实世界数据中学习生成多视角一致的图像的方法。它在U-Net网络中加入了3D体积渲染和跨帧注意力层,能够在单个去噪过程中生成3D一致的图像。与现有方法相比,ViewDiff生成的结果具有更好的视觉质量和3D一致性。

Veo 3.1支持1分钟视频生成，角色一致，有电影级预设，免费使用

Veo 3.1是一款用于视频创作的模型，该模型借助谷歌突破性的多提示词技术，革新了视频创作体验。其主要优点包括支持长达1分钟的1080p高清视频生成、完美保持角色一致性、支持多镜头叙事和电影级预设等。产品定位为面向故事创作者、营销人员和内容创作者等，帮助他们轻松获得专业的视频创作效果。价格方面，提供免费使用，也有不同的订阅套餐，如基础套餐每月24.9美元，专业套餐每月40.9美元，高级套餐每月85.9美元，还有不同额度的信用包可供一次性购买。

利用LLM提高T2I图像生成一致性

OPT2I是一个T2I优化框架，利用大型语言模型（LLM）提高提示-图像一致性。通过迭代生成修订后的提示，优化生成过程。能显著提高一致性得分，同时保持FID并增加生成数据与真实数据召回率。

内容一致的多场景视频生成

VideoDrafter 是一个内容一致的多场景视频生成框架。它利用大型语言模型（LLM）将输入提示转换为包含多场景脚本的综合脚本，脚本包括描述事件、前景 / 背景实体以及相机运动的提示。VideoDrafter 识别脚本中的共同实体，并要求 LLM 对每个实体进行详细描述。然后，将每个实体的描述输入到文本到图像模型中，以生成每个实体的参考图像。最后，通过考虑参考图像、事件描述和相机运动，通过扩散过程生成多场景视频，扩散模型将参考图像作为条件和对齐进行处理，以增强多场景视频的内容一致性。

快速可控的图像生成与潜在一致性模型

PIXART LCM是一个文本到图像合成框架，将潜在一致性模型（LCM）和ControlNet集成到先进的PIXART-α模型中。PIXART LCM以其能够通过高效的训练过程生成1024px分辨率的高质量图像而闻名。在PIXART-δ中集成LCM显著加快了推理速度，使得仅需2-4步即可生成高质量图像。特别值得注意的是，PIXART-δ实现了在0.5秒内生成1024x1024像素图像的突破，比PIXART-α改进了7倍。此外，PIXART-δ经过精心设计，可在单日内在32GB V100GPU上进行高效训练。具有8位推理能力的PIXART-δ可以在8GB GPU内存约束下合成1024px图像，极大地增强了其可用性和可访问性。此外，引入类似于ControlNet的模块可以对文本到图像扩散模型进行精细控制。我们引入了一种新颖的ControlNet-Transformer架构，专门为Transformers量身定制，实现了显式可控性和高质量图像生成。作为一种最先进的开源图像生成模型，PIXART-δ为稳定扩散模型家族提供了一个有前途的选择，为文本到图像合成做出了重大贡献。

下一代 AI 模型，实现一致性和可控的媒体生成。

Runway Gen-4 是一款先进的 AI 模型，专注于媒体生成和世界一致性。它能够在多个场景中精准生成一致的角色、地点和物体，为创作者提供前所未有的创作自由，适合电影制作、广告及产品摄影等多种应用场景。该产品不需要进行细致的调优或额外训练，简化了创作流程，提升了视频制作的质量和效率。

视频生成模型的一致性初始化方法

FreeInit是一个简单有效的方法,用于提高视频生成模型的时间一致性。它不需要额外的训练,也不引入可学习的参数,可以很容易地在任意视频生成模型的推理时集成使用。

StreamingT2V: 一致、动态、可扩展的长视频文本生成

StreamingT2V 是一种先进的自回归技术，可以创建具有丰富动态运动的长视频，没有任何停滞。它确保视频中的时间一致性，与描述性文本紧密对齐，并保持高帧级图像质量。

提高文本到图像模型中空间一致性的解决方案

SPRIGHT是一个专注于空间关系的大规模视觉语言数据集和模型。它通过重新描述600万张图像构建了SPRIGHT数据集，显著增加了描述中的空间短语。该模型在444张包含大量物体的图像上进行微调训练，从而优化生成具有空间关系的图像。SPRIGHT在多个基准测试中实现了空间一致性的最新水平，同时提高了图像质量评分。

Veo 3.1将文本转化为1080p电影视频，有一致角色、现实动作和同步音频。

Veo 3.1是谷歌推出的先进AI视频生成模型，代表了谷歌最先进的视频生成技术。它能从简单文本描述生成1080p视频，具有现实物理模拟、角色一致性和音频同步等特点。其重要性在于简化专业视频制作过程，无需昂贵设备、专业编辑技能和大量时间投入。产品优点包括保持角色一致性、支持多种图像类型、有电影预设、原生1080p分辨率、减少试错、提高运动质量等。价格方面，有不同订阅计划，如Starter Monthly每月43.31 - 99美元，Advanced Yearly每年490 - 310美元，Professional Monthly每月70 - 59.99美元。产品定位是为内容创作者、营销人员、电影制作者、教育者和企业等提供高效、高质量的视频制作解决方案。

Sora2视频生成器，用AI创建角色一致、语音同步的爆款视频

Sora2 Video Generator是一款由Sora 2驱动的视频生成工具，代表了先进的AI视频生成技术。其重要性在于极大地降低了视频创作的门槛，让用户能够快速将创意转化为高质量视频。主要优点包括：实现超逼真视觉效果，光影、动作和材质表现自然；音频与对话同步，增强故事的可信度；具备无与伦比的控制能力，让用户能精准把控创作过程。产品背景依托于强大的Sora 2 AI模型。价格方面，生成一个视频需5个学分，定位为满足各类创作者进行高效、高质量视频创作的需求。

一致的文本到视频编辑的光流引导注意力

FLATTEN是一种用于文本到视频编辑的光流引导注意力插件。它通过在扩散模型的U-Net中引入光流来解决文本到视频编辑中的一致性问题。FLATTEN通过强制在不同帧上的相同光流路径上的补丁在注意模块中相互关注，从而提高了编辑视频的视觉一致性。此外，FLATTEN是无需训练的，可以无缝集成到任何基于扩散的文本到视频编辑方法中，并提高其视觉一致性。实验结果表明，我们提出的方法在现有的文本到视频编辑基准上取得了最新的性能。特别是，我们的方法在保持编辑视频的视觉一致性方面表现出色。

稳定扩散VAE的一致性解码器

Consistency Decoder是一种用于稳定扩散VAE的改进解码器，提供更稳定的图像生成。它具有2.49GB的模型大小，支持从原始图像进行编码和使用GAN解码以及一致性解码。该产品定位于为图像生成提供更好的解码效果。

AI角色一致性工具，为艺术家、设计师和内容创作者提供免费生成工具。

Ideogram Character是一个AI角色一致性工具，可以从单个参考图像中创建一致的AI角色，适用于艺术家、设计师和内容创作者。该工具利用先进的AI技术，帮助用户快速生成具有视觉连贯性的角色形象。提供免费生成，定位于为创意项目提供一致的视觉解决方案。

3D一致性的视频生成框架

CamCo是一个创新的图像到视频生成框架，它能够生成具有3D一致性的高质量视频。该框架通过Plücker坐标引入相机信息，并提出了一种符合几何一致性的双线约束注意力模块。此外，CamCo在通过运动结构算法估计相机姿态的真实世界视频上进行了微调，以更好地合成物体运动。

为扩散模型提供一致性分辨率适配

ResAdapter是一个为扩散模型（如Stable Diffusion）设计的分辨率适配器，它能够在保持风格域一致性的同时，生成任意分辨率和宽高比的图像。与处理静态分辨率图像的多分辨率生成方法不同，ResAdapter直接生成动态分辨率的图像，提高了推理效率并减少了额外的推理时间。

Nana Banana 2是下一代文本到图像和编辑引擎，提供快速高质量视觉效果。

Nana Banana 2是一款前沿的文本到图像和图像编辑AI模型，基于先进架构构建，专为超低延迟和完美视觉连贯性进行了优化。它的优势在于具备场景感知智能、多图像融合和角色一致性等能力，能理解场景上下文、空间关系和对象语义，实现自然的图像编辑和生成。该模型由DeepMind的研究力量支持，融入了世界知识、场景逻辑和视觉推理。价格方面，部分功能免费，如创建角色、场景和产品等，具体收费情况未详细提及，定位主要面向需要高质量图像生成和编辑的创作者、营销人员等专业人士及商业场景。

使用扩散模型实现时间一致性的人像动画

TCAN是一种基于扩散模型的新型人像动画框架，它能够保持时间一致性并很好地泛化到未见过的领域。该框架通过特有的模块，如外观-姿态自适应层(APPA层)、时间控制网络和姿态驱动的温度图，来确保生成的视频既保持源图像的外观，又遵循驱动视频的姿态，同时保持背景的一致性。

创建AI视频，拥有一致性的角色。

Eggnog是一个专注于视频制作的网站，它允许用户创建具有独特面孔和服装的角色，并利用这些角色生成动画视频。Eggnog结合了人工智能技术，使得视频制作流程更加简单和高效。它提供了一个用户友好的界面，让用户可以通过拖放的方式将角色放入故事板，并自动生成视频。这种技术的应用不仅提高了视频制作的效率，也降低了进入视频制作领域的门槛，使得更多非专业人士能够轻松创作视频内容。

免费AI动漫角色生成器，支持多风格文本转图像，输出专业品质

OC Maker AI是一款基于人工智能技术的动漫角色生成工具，隶属于OC Maker公司。该公司提供人工智能驱动的视频和图像生成工具，利用先进的AI技术创建令人惊叹的视觉效果。此产品定位为为艺术家和创作者服务，帮助他们将想法快速转化为独特的动漫角色。其优点在于操作简单，能在数秒内完成角色生成，还提供从角色设计到场景创建、从静态图像到动态视频的一站式AI创作解决方案。价格方面，可免费使用。

一个由生成模型驱动的无限角色生活模拟游戏

Unbounded是一个创新的无限游戏，它超越了传统有限、硬编码系统的限制，通过使用生成模型来实现。这款游戏受到James P. Carse关于有限与无限游戏之间区别的启发，利用最新的生成AI技术，创建了一个完全由生成模型封装的角色生活模拟游戏。Unbounded从沙盒生活模拟中汲取灵感，允许玩家通过自然语言指令与自主虚拟角色在虚拟世界中互动，包括喂养、玩耍和引导角色，同时由大型语言模型（LLM）生成的开放式机制，其中一些可能是新兴的。为了开发Unbounded，提出了在LLM和视觉生成领域的技术创新，包括一个专门化的、蒸馏的大型语言模型，用于实时动态生成游戏机制、叙事和角色互动，以及一个新的动态区域图像提示适配器（IP-Adapter），用于确保角色在多个环境中的视觉生成一致但灵活。

美丽、品牌一致、高转化率的广告，适用于各种营销渠道。无需设计经验。

AI广告生成器是一个美丽、品牌一致、高转化率的广告生成工具。它可以帮助您快速生成各种营销渠道所需的广告，无需雇佣设计师或撰写人员。通过AI技术，它能够自动识别并采集您的品牌信息，保证生成的广告与您的品牌一致。您可以根据需要添加标语、呼吁行动等元素，并在必要时进行手动编辑。点击链接了解更多并注册获取早期访问权限。

生成具有身份一致性和表情丰富性的3D人头模型

ID-to-3D是一种创新的方法，它能够从一张随意拍摄的野外图片中生成具有身份和文本引导的3D人头模型，具有分离的表情。该方法基于组合性，使用特定任务的2D扩散模型作为优化的先验。通过扩展基础模型并添加轻量级的表情感知和身份感知架构，创建了2D先验，用于几何和纹理生成，并通过微调仅0.2%的可用训练参数。结合强大的面部身份嵌入和神经表示，该方法不仅能够准确重建面部特征，还能重建配饰和头发，并可提供适用于游戏和远程呈现的渲染就绪资产。

一致且可控的角色动画图像到视频合成

Animate Anyone旨在通过驱动信号从静态图像生成角色视频。我们利用扩散模型的力量，提出了一个专为角色动画量身定制的新框架。为了保持参考图像中复杂外观特征的一致性，我们设计了ReferenceNet来通过空间注意力合并详细特征。为了确保可控性和连续性，我们引入了一个高效的姿势指导器来指导角色的动作，并采用了一种有效的时间建模方法，以确保视频帧之间的平滑跨帧过渡。通过扩展训练数据，我们的方法可以为任意角色制作动画，与其他图像到视频方法相比，在角色动画方面取得了出色的结果。此外，我们在时尚视频和人类舞蹈合成的基准上评估了我们的方法，取得了最先进的结果。