产品库

开源音频样本和声音设计模型

Stable Audio Open是一个开源的文本到音频模型，专为生成短音频样本、音效和制作元素而优化。它允许用户通过简单的文本提示生成高达47秒的高质量音频数据，特别适用于创造鼓点、乐器即兴演奏、环境声音、拟音录音等音乐制作和声音设计。开源发布的关键好处是用户可以根据自己的自定义音频数据微调模型。

AI技术驱动的声音效果生成器

Sound Effect Generator是一个利用AI技术为用户提供个性化音频创作的平台。它结合了专业的声音设计和前沿的AI技术，让用户能够快速将想法转化为高质量的音频。这个平台不仅适合寻找特定声音效果的用户，也适合那些对音频生成技术感兴趣的人。产品的主要优点包括易于使用、快速生成和高质量的音频输出。它为音乐制作人、视频编辑者和游戏开发者等提供了一个创新的解决方案。

通过时间变化信号和声音模仿生成可控音频的模型

Sketch2Sound是一个生成音频的模型，能够从一组可解释的时间变化控制信号（响度、亮度、音高）以及文本提示中创建高质量的声音。该模型能够在任何文本到音频的潜在扩散变换器（DiT）上实现，并且只需要40k步的微调和每个控制一个单独的线性层，使其比现有的方法如ControlNet更加轻量级。Sketch2Sound的主要优点包括从声音模仿中合成任意声音的能力，以及在保持输入文本提示和音频质量的同时，遵循输入控制的大致意图。这使得声音艺术家能够结合文本提示的语义灵活性和声音手势或声音模仿的表现力和精确度来创造声音。

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。

革命性的音乐制作技术，无需编码即可创造独特音效。

Deep Sampler 2是一款由Audialab Engine驱动的音乐制作插件，它允许用户仅通过描述所需声音，即可生成独特的样本和效果，推动音乐制作的边界。无需互联网连接或编程知识，Deep Sampler 2将声音设计的未来带给了每一个音乐制作人。

YuE 是一个专注于全曲生成的开源音乐基础模型，能够根据歌词生成完整的音乐作品。

YuE 是由香港科技大学和多模态艺术投影团队开发的开源音乐生成模型。它能够根据给定的歌词生成长达 5 分钟的完整歌曲，包括人声和伴奏部分。该模型通过多种技术创新，如语义增强音频标记器、双标记技术和歌词链式思考等，解决了歌词到歌曲生成的复杂问题。YuE 的主要优点是能够生成高质量的音乐作品，并且支持多种语言和音乐风格，具有很强的可扩展性和可控性。该模型目前免费开源，旨在推动音乐生成技术的发展。

Llasa-1B 是一个基于 LLaMA 的文本转语音 (TTS) 模型，支持中英文语音合成。

Llasa-1B 是一个由香港科技大学音频实验室开发的文本转语音模型。它基于 LLaMA 架构，通过结合 XCodec2 代码本中的语音标记，能够将文本转换为自然流畅的语音。该模型在 25 万小时的中英文语音数据上进行了训练，支持从纯文本生成语音，也可以利用给定的语音提示进行合成。其主要优点是能够生成高质量的多语言语音，适用于多种语音合成场景，如有声读物、语音助手等。该模型采用 CC BY-NC-ND 4.0 许可证，禁止商业用途。

Llasa-3B 是一个基于 LLaMA 的文本到语音合成模型，支持中英文语音生成。

Llasa-3B 是一个强大的文本到语音（TTS）模型，基于 LLaMA 架构开发，专注于中英文语音合成。该模型通过结合 XCodec2 的语音编码技术，能够将文本高效地转换为自然流畅的语音。其主要优点包括高质量的语音输出、支持多语言合成以及灵活的语音提示功能。该模型适用于需要语音合成的多种场景，如有声读物制作、语音助手开发等。其开源性质也使得开发者可以自由探索和扩展其功能。

一个简单的检索增强生成框架，使小型模型通过异构图索引和轻量级拓扑增强检索实现良好的RAG性能。

MiniRAG是一个针对小型语言模型设计的检索增强生成系统，旨在简化RAG流程并提高效率。它通过语义感知的异构图索引机制和轻量级的拓扑增强检索方法，解决了小型模型在传统RAG框架中性能受限的问题。该模型在资源受限的场景下具有显著优势，如在移动设备或边缘计算环境中。MiniRAG的开源特性也使其易于被开发者社区接受和改进。

MatterGen是一个利用生成式AI进行材料设计的工具。

MatterGen是微软研究院推出的一种生成式AI工具，用于材料设计。它能够根据应用的设计要求直接生成具有特定化学、机械、电子或磁性属性的新型材料，为材料探索提供了新的范式。该工具的出现有望加速新型材料的研发进程，降低研发成本，并在电池、太阳能电池、CO2吸附剂等领域发挥重要作用。目前，MatterGen的源代码已在GitHub上开源，供公众使用和进一步开发。

一个拥有8200万参数的前沿文本到语音（TTS）模型。

Kokoro-82M是一个由hexgrad创建并托管在Hugging Face上的文本到语音（TTS）模型。它具有8200万参数，使用Apache 2.0许可证开源。该模型在2024年12月25日发布了v0.19版本，并提供了10种独特的语音包。Kokoro-82M在TTS Spaces Arena中排名第一，显示出其在参数规模和数据使用上的高效性。它支持美国英语和英国英语，可用于生成高质量的语音输出。

开源幻觉评估模型

Llama-3-Patronus-Lynx-8B-Instruct是由Patronus AI开发的一个基于meta-llama/Meta-Llama-3-8B-Instruct模型的微调版本，主要用于检测在RAG设置中的幻觉。该模型训练于包含CovidQA、PubmedQA、DROP、RAGTruth等多个数据集，包含人工标注和合成数据。它能够评估给定文档、问题和答案是否忠实于文档内容，不提供文档之外的新信息，也不与文档信息相矛盾。

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。

AI智能在线人声消除工具

AIVocal是一款基于人工智能技术的在线人声消除工具，它能够在短时间内从任何歌曲中去除人声，创建伴奏带、分离乐器音轨，并提升音乐制作效率。该产品以其高效率、高精度和易用性，满足了音乐制作人、内容创作者和翻唱艺术家的需求。AIVocal支持多种音频格式，如MP3、WAV和FLAC，适合专业音乐制作和日常娱乐使用。

视频水印开源模型，用于验证视频来源。

Meta Video Seal是一个先进的开源视频水印模型，能够在视频编辑后仍嵌入持久、不可见的水印。随着AI生成内容的增加，验证视频来源变得至关重要。Video Seal通过嵌入隐形水印，即使在视频被编辑后，也能保持水印的完整性，这对于版权保护和内容验证具有重要意义。

在线人声消除工具，分离伴奏和人声

Vocal Remover Online 是一个基于深度学习技术的网站，能够从音频或视频中分离出人声和伴奏。这项技术对于音乐制作人、视频制作者和卡拉OK爱好者来说非常有用，因为它可以轻松地分离出伴奏和人声，使得用户可以用于音乐创作、视频编辑或个人娱乐。产品提供免费的基础服务，并可能对高级功能和批量处理收取一定费用。

将PDF和网页内容转换成专业音频

AI Podcast Generator是一个在线服务，能够将PDF文件和网页内容快速转换成高质量的音频格式，使用专业的AI语音和可定制的说话风格，以实现完美的内容传递。这项技术的重要性在于它极大地提高了内容的可访问性和多样性，使得信息可以通过音频形式快速传播，特别适合需要将文本内容转化为音频以满足不同场景需求的用户。产品背景信息显示，它提供了快速处理、高音质输出和企业级解决方案，价格方面，提供了不同级别的订阅计划，以满足不同用户的需求。

自动化DAW副驾驶，告别重复性任务。

Forte!是一个自动化数字音频工作站(DAW)辅助工具，旨在帮助音乐制作人和音频工程师自动化处理重复性任务，如文件导入、静音剥离、音轨路由等。它通过使用人工智能技术，特别是自动乐器识别技术，能够快速准确地识别音频中的每种乐器，从而提高工作效率。Forte!支持无限文件导入，自动静音剥离，自动路由，立体声到单声道转换等功能，是音乐制作领域的一大创新。产品背景信息显示，Forte!目前支持所有Pro Tools版本，并即将支持Logic Pro。价格方面，Forte!提供15天免费试用，无需信用卡信息，之后用户可以选择订阅或购买终身许可证。

一款经过优化的大型语言模型，擅长文本生成和对话。

OLMo-2-1124-13B-Instruct是由Allen AI研究所开发的一款大型语言模型，专注于文本生成和对话任务。该模型在多个任务上表现出色，包括数学问题解答、科学问题解答等。它是基于13B参数的版本，经过在特定数据集上的监督微调和强化学习训练，以提高其性能和安全性。作为一个开源模型，它允许研究人员和开发者探索和改进语言模型的科学。

高性能英文对话生成模型

OLMo-2-1124-7B-Instruct是由Allen人工智能研究所开发的一个大型语言模型，专注于对话生成任务。该模型在多种任务上进行了优化，包括数学问题解答、GSM8K、IFEval等，并在Tülu 3数据集上进行了监督微调。它是基于Transformers库构建的，可以用于研究和教育目的。该模型的主要优点包括高性能、多任务适应性和开源性，使其成为自然语言处理领域的一个重要工具。

文本图像到视频生成模型

Allegro-TI2V是一个文本图像到视频生成模型，它能够根据用户提供的提示和图像生成视频内容。该模型以其开源性、多样化的内容创作能力、高质量的输出、小巧高效的模型参数以及支持多种精度和GPU内存优化而受到关注。它代表了当前人工智能技术在视频生成领域的前沿进展，具有重要的技术价值和商业应用潜力。Allegro-TI2V模型在Hugging Face平台上提供，遵循Apache 2.0开源协议，用户可以免费下载和使用。

全球最灵活的声音机器

Fugatto（全称Foundational Generative Audio Transformer Opus 1）是由NVIDIA推出的一款生成式AI声音模型，能够通过文本和音频输入生成或转换任何描述的音乐、声音和语音组合。这款模型不仅能够根据文本提示创作音乐片段，还能从现有歌曲中添加或移除乐器，改变语音的口音或情感，甚至让人们创造出前所未有的声音。Fugatto的推出标志着音频合成和转换领域的一大进步，它不仅能够理解并生成声音，还具备多种音频生成和转换任务的能力，展现出了从其训练能力中涌现的新属性。

领先的指令遵循模型家族，提供开源数据、代码和配方。

Llama-3.1-Tulu-3-70B-DPO是Tülu3模型家族的一部分，专为现代后训练技术提供全面指南。该模型家族旨在除了聊天之外的多种任务上实现最先进的性能，如MATH、GSM8K和IFEval。它是基于公开可用的、合成的和人为创建的数据集训练的模型，主要使用英语，并遵循Llama 3.1社区许可协议。

领先的指令遵循模型家族，提供开源数据、代码和指南。

Llama-3.1-Tulu-3-70B是Tülu3模型家族中的一员，专为现代后训练技术提供全面的指南。该模型不仅在聊天任务上表现出色，还在MATH、GSM8K和IFEval等多种任务上展现出了卓越的性能。作为一个开源模型，它允许研究人员和开发者访问和使用其数据和代码，以推动自然语言处理技术的发展。

Qwen2.5-Coder系列中的1.5B参数量级代码生成模型

Qwen2.5-Coder是Qwen大型语言模型的最新系列，专注于代码生成、代码推理和代码修复。基于强大的Qwen2.5，该模型在训练中包含了5.5万亿的源代码、文本代码关联、合成数据等，是目前开源代码语言模型中的佼佼者，其编码能力可与GPT-4相媲美。此外，Qwen2.5-Coder还具备更全面的现实世界应用基础，如代码代理等，不仅增强了编码能力，还保持了在数学和通用能力方面的优势。

Qwen2.5-Coder系列中的1.5B参数代码生成模型

Qwen2.5-Coder是Qwen大型语言模型的最新系列，专为代码生成、推理和修复而设计。基于强大的Qwen2.5，该模型在训练时包含了5.5万亿的源代码、文本代码基础、合成数据等，使其在代码能力上达到了开源代码LLM的最新水平。它不仅增强了编码能力，还保持了在数学和通用能力方面的优势。

使用先进AI技术从歌曲或视频中提取人声、伴奏等音频。

Mikrotakt Vocal Remover & Instrumental AI Splitter是一款利用人工智能算法从歌曲或视频文件中提取人声、伴奏、吉他、钢琴、贝斯、鼓等不同乐器的音频分离工具。它为音乐家、教育工作者和内容创作者提供了精确的音频分离工具，以增强练习、制作和教育体验。产品背景信息显示，Mikrotakt拥有超过100,000名活跃用户，处理了超过70,000小时的音频，并且分离准确率高达99.96%。价格方面，提供免费试用，并有不同级别的付费套餐供用户选择。

Qwen2.5-Coder系列中的3B参数量指令调优模型

Qwen2.5-Coder-3B-Instruct-GPTQ-Int8是Qwen2.5-Coder系列中的一种大型语言模型，专门针对代码生成、代码推理和代码修复进行了优化。该模型基于Qwen2.5，训练数据包括源代码、文本代码关联、合成数据等，达到5.5万亿个训练令牌。Qwen2.5-Coder-32B已成为当前最先进的开源代码大型语言模型，其编码能力与GPT-4o相匹配。该模型还为现实世界中的应用提供了更全面的基础，如代码代理，不仅增强了编码能力，还保持了在数学和通用能力方面的优势。

Qwen2.5-Coder系列中的3B参数指令调优模型

Qwen2.5-Coder是Qwen大型语言模型的最新系列，专注于代码生成、代码推理和代码修复。基于强大的Qwen2.5，训练令牌扩展到5.5万亿，包括源代码、文本代码接地、合成数据等。Qwen2.5-Coder-32B已成为当前最先进的开源代码大型语言模型，其编码能力与GPT-4o相匹配。该模型在实际应用中提供了更全面的基础，如代码代理，不仅增强了编码能力，还保持了在数学和通用能力方面的优势。

开源代码生成语言模型

Qwen2.5-Coder-32B-Instruct-GPTQ-Int8是Qwen系列中针对代码生成优化的大型语言模型，拥有32亿参数，支持长文本处理，是当前开源代码生成领域最先进的模型之一。该模型基于Qwen2.5进行了进一步的训练和优化，不仅在代码生成、推理和修复方面有显著提升，而且在数学和通用能力上也保持了优势。模型采用GPTQ 8-bit量化技术，以减少模型大小并提高运行效率。