产品库

生成高质量、自然 sounding 的语音

Parler-TTS 是一个由 Hugging Face 开发的轻量级文本转语音（TTS）模型，能够以给定说话者的风格（性别、音调、说话风格等）生成高质量、自然 sounding 的语音。它是基于 Dan Lyth 和 Simon King 发表的论文《Natural language guidance of high-fidelity text-to-speech with synthetic annotations》的工作复现，两位作者分别来自 Stability AI 和爱丁堡大学。与其他TTS模型不同，Parler-TTS 完全开源发布，包括数据集、预处理、训练代码和权重。功能包括：生成高质量且自然 sounding 的语音输出、灵活的使用和部署、提供丰富的注释语音数据集。定价：免费。

基于Stable Diffusion 3.5 Large模型的IP适配器

SD3.5-Large-IP-Adapter是一个基于Stable Diffusion 3.5 Large模型的IP适配器，由InstantX Team研发。该模型能够将图像处理工作类比于文本处理，具有强大的图像生成能力，并且可以通过适配器技术进一步提升图像生成的质量和效果。该技术的重要性在于其能够推动图像生成技术的发展，特别是在创意工作和艺术创作领域。产品背景信息显示，该模型是由Hugging Face和fal.ai赞助的项目，并且遵循stabilityai-ai-community的许可协议。

AI驱动的视频生成工具，一键生成高质量营销视频

小视频宝（ClipTurbo）是一个AI驱动的视频生成工具，旨在帮助用户轻松创建高质量的营销视频。该工具利用AI技术处理文案、翻译、图标匹配和TTS语音合成，最终使用manim渲染视频，避免了纯生成式AI被平台限流的问题。小视频宝支持多种模板，用户可以根据需要选择分辨率、帧率、宽高比或屏幕方向，模板将自动适配。此外，它还支持多种语音服务，包括内置的EdgeTTS语音。目前，小视频宝仍处于早期开发阶段，仅提供给三花AI的注册用户。

Hugging Face上由Qwen提供的编程工具集合

Qwen2.5 Coder Artifacts是一个托管在Hugging Face平台上的编程工具集合，代表了人工智能在编程领域的应用。这个产品集合利用最新的机器学习技术，帮助开发者提高编码效率，优化代码质量。产品背景信息显示，它是由Qwen创建并维护的，旨在为开发者提供一个强大的编程辅助工具。产品是免费的，定位于提高开发者的生产力。

高效优化的子十亿参数语言模型，专为设备端应用设计

MobileLLM-350M是由Meta开发的自回归语言模型，采用优化的Transformer架构，专为设备端应用设计，以满足资源受限的环境。该模型整合了SwiGLU激活函数、深层薄架构、嵌入共享和分组查询注意力等关键技术，实现了在零样本常识推理任务上的显著准确率提升。MobileLLM-350M在保持较小模型尺寸的同时，提供了与更大模型相媲美的性能，是设备端自然语言处理应用的理想选择。

开源的全双工音频生成基础模型

hertz-dev是Standard Intelligence开源的全双工、仅音频的变换器基础模型，拥有85亿参数。该模型代表了可扩展的跨模态学习技术，能够将单声道16kHz语音转换为8Hz潜在表示，具有1kbps的比特率，性能优于其他音频编码器。hertz-dev的主要优点包括低延迟、高效率和易于研究人员进行微调和构建。产品背景信息显示，Standard Intelligence致力于构建对全人类有益的通用智能，而hertz-dev是这一旅程的第一步。

Ortlin是与OpenAI模型和API交互的Web界面。

Ortlin是一个基于Web的图形用户界面，旨在帮助任何人（无论是技术用户还是非技术用户）轻松地与OpenAI的API和底层模型进行交互。它是完全免费且开源的，使用户能够无障碍地利用OpenAI的强大功能。

由CohereForAI开发的Hugging Face Space

Aya Expanse是一个由CohereForAI开发的Hugging Face Space，它可能涉及到机器学习模型的开发和应用。Hugging Face是一个专注于自然语言处理的人工智能平台，提供各种模型和工具，以帮助开发者构建、训练和部署NLP应用。Aya Expanse作为该平台上的一个Space，可能具有特定的功能或技术，用于支持开发者在NLP领域的工作。

基于MaskGCT模型的文本到语音演示

MaskGCT TTS Demo 是一个基于MaskGCT模型的文本到语音（TTS）演示，由Hugging Face平台上的amphion提供。该模型利用深度学习技术，将文本转换为自然流畅的语音，适用于多种语言和场景。MaskGCT模型因其高效的语音合成能力和对多种语言的支持而受到关注。它不仅可以提高语音识别和合成的准确性，还能在不同的应用场景中提供个性化的语音服务。目前，该产品在Hugging Face平台上提供免费试用，具体价格和定位信息需进一步了解。

开源的语音识别和说话人分割模型推理代码

Reverb 是一个开源的语音识别和说话人分割模型推理代码，使用 WeNet 框架进行语音识别 (ASR) 和 Pyannote 框架进行说话人分割。它提供了详细的模型描述，并允许用户从 Hugging Face 下载模型。Reverb 旨在为开发者和研究人员提供高质量的语音识别和说话人分割工具，以支持各种语音处理任务。

AI语音转录、翻译和TTS的Gradio Web-UI

Voice-Pro是一个集成的字幕、翻译和文本到语音(TTS)解决方案。它支持将视频添加多语言字幕和多语言音频，助力视频内容扩展到全球市场。该产品使用OpenAI Whisper和开源翻译器及TTS技术，提供一键安装和便携式使用。它还配备了Vocal Remover，使用UVR5和Meta的Demucs引擎，以提高语音识别的准确性。

将Hugging Face Space或Gradio应用转化为Discord机器人

gradio-bot是一个可以将Hugging Face Space或Gradio应用转化为Discord机器人的工具。它允许开发者通过简单的命令行操作，将现有的机器学习模型或应用快速部署到Discord平台上，实现自动化交互。这不仅提高了应用的可达性，还为开发者提供了一个与用户直接交互的新渠道。

将电子书转换为有章节和元数据的有声书。

ebook2audiobookXTTS是一个利用Calibre和Coqui TTS技术将电子书转换为有声书的模型，支持章节和元数据的保留，并且可以选择使用自定义语音模型进行语音克隆，支持多种语言。该技术的主要优点是能够将文本内容转换为高质量的有声读物，适合需要将大量文本信息转换为音频格式的用户，如视障人士、喜欢听书的用户或者需要学习外语的用户。

一款基于Hugging Face的图像放大模型。

Flux.1-dev Controlnet Upscaler 是一个基于Hugging Face平台的图像放大模型，它使用先进的深度学习技术来提高图像的分辨率，同时保持图像质量。该模型特别适合需要对图像进行无损放大的场景，如图像编辑、游戏开发、虚拟现实等。

首个无需注意力机制的7B大规模模型

Falcon Mamba是由阿布扎比技术创新研究所（TII）发布的首个无需注意力机制的7B大规模模型。该模型在处理大型序列时，不受序列长度增加导致的计算和存储成本增加的限制，同时保持了与现有最先进模型相当的性能。

基于羊驼模型的大型语音生成模型

LlamaVoice是一个基于羊驼模型的大型语音生成模型，它通过直接预测连续特征，提供了一种与传统依赖于离散语音码预测的向量量化模型相比更为流畅和高效的处理过程。该模型具有连续特征预测、变分自编码器(VAE)潜在特征预测、联合训练、先进采样策略和基于流的增强等关键特点。

多语言大型语音生成模型，提供全栈推理、训练和部署能力。

CosyVoice 是一个多语言的大型语音生成模型，它不仅支持多种语言的语音生成，还提供了从推理到训练再到部署的全栈能力。该模型在语音合成领域具有重要性，因为它能够生成自然流畅、接近真人的语音，适用于多种语言环境。CosyVoice 的背景信息显示，它是由 FunAudioLLM 团队开发，使用了 Apache-2.0 许可证。

用于 Kwai-Kolors 文本到图像模型的扩散器包装器

ComfyUI-KwaiKolorsWrapper 是一个为 Kwai-Kolors 文本到图像模型设计的 Diffusers 包装器。它使用户能够通过 Diffusers 库方便地运行 Kwai-Kolors 的文本到图像生成流程。该插件支持从 Hugging Face 直接下载模型，并提供了量化模型以减少 VRAM 使用，适用于需要高效率图像生成的开发者和设计师。

AI模型提供商，提供丰富的Hugging Face模型访问。

Featherless是一个AI模型提供商，专注于为订阅者提供持续扩展的Hugging Face模型库。它支持LLaMA-3等模型架构，提供个性化和隐私保护的服务，不记录用户聊天或提示。Featherless提供了两种定价计划，基础版每月10美元，高级版每月25美元，分别提供最大15B和72B模型的访问权限。

先进的视觉基础模型，支持多种视觉和视觉-语言任务

Florence-2是由微软开发的高级视觉基础模型，采用基于提示的方法处理广泛的视觉和视觉-语言任务。该模型能够解释简单的文本提示，执行诸如图像描述、目标检测和分割等任务。它利用FLD-5B数据集，包含54亿个注释，覆盖1.26亿张图像，精通多任务学习。其序列到序列的架构使其在零样本和微调设置中均表现出色，证明是一个有竞争力的视觉基础模型。

一个定制的ComfyUI节点，用于Hallo模型。

ComfyUI-Hallo是一个为Hallo模型定制的ComfyUI插件，它允许用户在命令行中使用ffmpeg，并从Hugging Face下载模型权重，或者手动下载并放置在指定目录。它为开发者提供了一个易于使用的界面来集成Hallo模型，从而增强了开发效率和用户体验。

基于ChatTTS模型的文本到语音转换项目

ChatTTS-Forge是一个围绕TTS生成模型ChatTTS开发的项目，实现了API服务器和基于Gradio的WebUI，能够提供全面的API服务，支持生成1000字以上的长文本，保持一致性，并通过内置32种不同风格进行风格管理。

1460亿参数的高性能混合专家模型

Skywork-MoE-Base是一个具有1460亿参数的高性能混合专家(MoE)模型，由16个专家组成，并激活了220亿参数。该模型从Skywork-13B模型的密集型检查点初始化而来，并引入了两种创新技术：门控逻辑归一化增强专家多样化，以及自适应辅助损失系数，允许针对层特定调整辅助损失系数。Skywork-MoE在各种流行基准测试中表现出与参数更多或激活参数更多的模型相当的或更优越的性能。

低延迟语音模型，生成逼真语音

Sonic是由Carteisa团队开发的低延迟语音模型，旨在为各种设备提供逼真的语音生成能力。该模型利用了创新的状态空间模型架构，以实现高分辨率音频和视频的高效、低延迟生成。Sonic模型的延迟仅为135毫秒，是同类模型中最快的。Carteisa团队专注于优化智能的效率，使它更快、更便宜、更易于访问。Sonic模型的发布，标志着实时对话式AI和长期记忆的计算平台的初步进展，预示着未来AI在实时游戏、客户支持等领域的新体验。

由哔哩哔哩用户评论微调训练而成的本地聊天机器人

bilibot是一个基于哔哩哔哩用户评论训练的本地聊天机器人，支持文字聊天和语音对话。它使用Qwen1.5-32B-Chat作为基础模型，并结合苹果的mlx-lm LORA项目进行微调。语音生成部分基于GPT-SoVITS项目，使用派蒙语音模型。该机器人可以快速生成对话内容，适用于需要智能对话系统的场合。

开源代码库，为HuggingChat应用提供动力

chat-ui是一个开源的聊天界面，使用开源模型如OpenAssistant或Llama。它是一个SvelteKit应用程序，为hf.co/chat上的HuggingChat应用提供支持。该产品允许用户通过自定义配置来运行和部署自己的Chat UI实例，支持多种语言模型和功能，如Web搜索、自定义模型等。

真实人声AI文本转语音

VoiceBar提供最逼真的AI语音合成服务，包括多国语言和口音，具有高级的语音质量和真实感。无需订阅，使用极具竞争力。适用于语音留言、多语言文本转语音、TikTok、解说视频、学习等场景。

AI内容生成平台

Donakosy是一款智能AI技术平台，为专业人士、内容创作者、图像设计、语音生成等提供全方位的AI服务。通过Chat GPT、AI和OpenAI技术，实现无缝的AI体验。

Hugging Face官方课程，提供有关使用Hugging Face产品的教程和资源

Hugging Face Course是一个由Hugging Face官方提供的教育资源，旨在帮助用户学习和掌握Hugging Face平台的各种工具和API。

LLaVA-3b是一种基于Dolphin 2.6 Phi进行微调的模型，使用SigLIP 400M的视觉塔以LLaVA方式进行微调。模型具有多个图像标记、使用视觉编码器的最新层输出等特点。

LLaVA-3b是一种基于Dolphin 2.6 Phi进行微调的模型，使用SigLIP 400M的视觉塔以LLaVA方式进行微调。模型具有多个图像标记、使用视觉编码器的最新层输出等特点。此模型基于Phi-2，受微软研究许可证约束，禁止商业使用。感谢ML Collective提供的计算资源积分。