即刻App年轻人的同好社区
下载
Lumina-T2X 分区域合成：强大且融合效果极佳
Lumina-T2X 是一款强大的图像生成模型，支持分区域合成，并且融合效果非常好。
主要特性：
分区域合成：支持对不同区域分别输入提示词，模型自动融合生成整体图像。
高分辨率支持：支持一键生成 2K 分辨率图像。
ComfyUI 插件：已经有 ComfyUI 插件，方便用户使用。
使用步骤：
安装 ComfyUI 插件：确保你已经安装了 Lumina-T2X 的 ComfyUI 插件。
分区域输入提示词：在 ComfyUI 中对不同区域分别输入提示词。
生成图像：点击生成按钮，Lumina-T2X 模型会自动融合各区域，生成高质量图像。
地址:github.com
Lumina-T2X 是一款强大的图像生成模型，支持分区域合成，并且融合效果非常好。
主要特性：
分区域合成：支持对不同区域分别输入提示词，模型自动融合生成整体图像。
高分辨率支持：支持一键生成 2K 分辨率图像。
ComfyUI 插件：已经有 ComfyUI 插件，方便用户使用。
使用步骤：
安装 ComfyUI 插件：确保你已经安装了 Lumina-T2X 的 ComfyUI 插件。
分区域输入提示词：在 ComfyUI 中对不同区域分别输入提示词。
生成图像：点击生成按钮，Lumina-T2X 模型会自动融合各区域，生成高质量图像。
地址:github.com
0 00
AI 工具 Hedra：让人物肖像直接说话唱歌
Hedra 是一款强大的 AI 工具，只需上传一张人物照片和任何类型的语音，即可让人物说话或唱歌。
主要特性：
高一致性：人物的一致性、唇形、表情和姿态表现非常出色。
简单操作：上传照片和语音，即可生成内容。
免费体验：目前可以免费体验，每 60 秒可生成 90 秒内容（视显存供应情况）。
使用步骤：
上传人物照片：选择你想让其说话或唱歌的人物照片。
上传语音文件：上传你希望人物说出的语音或歌曲文件。
生成视频：Hedra 会自动处理并生成带有口型同步的说话或唱歌视频。
体验地址:www.hedra.com
Hedra 是一款强大的 AI 工具，只需上传一张人物照片和任何类型的语音，即可让人物说话或唱歌。
主要特性：
高一致性：人物的一致性、唇形、表情和姿态表现非常出色。
简单操作：上传照片和语音，即可生成内容。
免费体验：目前可以免费体验，每 60 秒可生成 90 秒内容（视显存供应情况）。
使用步骤：
上传人物照片：选择你想让其说话或唱歌的人物照片。
上传语音文件：上传你希望人物说出的语音或歌曲文件。
生成视频：Hedra 会自动处理并生成带有口型同步的说话或唱歌视频。
体验地址:www.hedra.com
1 00
苹果的 “备忘录数学计算器” 开源版来了！
在 WWDC 2024 大会上，苹果展示了在 iPad 上通过键入或手写数学表达式，并利用 AI 立即呈现解答结果的功能。
开源项目推荐：AI Math Notes
在 GitHub 上，一位开发者发布了开源项目 “AI Math Notes”，完美实现了类似的功能。
主要特性：
交互式绘图应用：使用 Python 语言开发。
绘制数学方程：允许你在画布上绘制数学方程。
多模态 LLM：利用多模态大语言模型来计算并在旁边显示结果。
GitHub 项目地址： github.com
在 WWDC 2024 大会上，苹果展示了在 iPad 上通过键入或手写数学表达式，并利用 AI 立即呈现解答结果的功能。
开源项目推荐：AI Math Notes
在 GitHub 上，一位开发者发布了开源项目 “AI Math Notes”，完美实现了类似的功能。
主要特性：
交互式绘图应用：使用 Python 语言开发。
绘制数学方程：允许你在画布上绘制数学方程。
多模态 LLM：利用多模态大语言模型来计算并在旁边显示结果。
GitHub 项目地址： github.com
12 16
众所周知，OpenAI 开源的 Whisper 语音转文本模型效果颇好。
Whisper Web 允许你直接在浏览器中运行和使用 Whisper 模型。
主要特性：
无需后端服务器：基于 ML 进行语音识别，通过 WebGPU 进行运行加速，直接开箱即用。
多文件格式导出：识别到的文本支持导出为 TXT 和 JSON 文件格式。
GitHub 项目地址：github.com
在线体验：huggingface.co
Whisper Web 允许你直接在浏览器中运行和使用 Whisper 模型。
主要特性：
无需后端服务器：基于 ML 进行语音识别，通过 WebGPU 进行运行加速，直接开箱即用。
多文件格式导出：识别到的文本支持导出为 TXT 和 JSON 文件格式。
GitHub 项目地址：github.com
在线体验：huggingface.co
31 426
Suno AI 正式推出声音生成音乐功能
Suno AI 推出了全新功能，根据声音生成音乐，为音乐创作带来了全新的可能性。
亮点功能：
声音生成音乐：用户哼唱一段音调，Suno 即可接着完成音乐创作。
高效创作：提升音乐创作效率，让音乐制作更加轻松。
使用说明：
目前仅限付费用户：该功能目前仅向付费用户开放。
官网链接：suno.com
Suno AI 推出了全新功能，根据声音生成音乐，为音乐创作带来了全新的可能性。
亮点功能：
声音生成音乐：用户哼唱一段音调，Suno 即可接着完成音乐创作。
高效创作：提升音乐创作效率，让音乐制作更加轻松。
使用说明：
目前仅限付费用户：该功能目前仅向付费用户开放。
官网链接：suno.com
8 02
吴恩达老师开源了一套 AI Agent 翻译工作流 Translation Agent。
工作流主要分三个步骤：
1. 通过指定大语言模型（LLM）进行语言之间的翻译；
2. 对翻译结果进行反思，并提出改进建议；
3. 再根据这些建议进行优化翻译。
另外，这也是高度可控的翻译工作流，你只需通过修改提示词，就可以指定语气（正式或非正式）、地区等，还可以提供专业术语表来确保术语翻译的一致性。
GitHub：GitHub - andrewyng/translation-agent
经他们的测试，该工作流翻译质量甚至可以媲美领先的商业翻译工具。
工作流主要分三个步骤：
1. 通过指定大语言模型（LLM）进行语言之间的翻译；
2. 对翻译结果进行反思，并提出改进建议；
3. 再根据这些建议进行优化翻译。
另外，这也是高度可控的翻译工作流，你只需通过修改提示词，就可以指定语气（正式或非正式）、地区等，还可以提供专业术语表来确保术语翻译的一致性。
GitHub：GitHub - andrewyng/translation-agent
经他们的测试，该工作流翻译质量甚至可以媲美领先的商业翻译工具。
71 757
阿里发布 LLM 自动对齐方案论文
阿里巴巴近期发布了一篇详细介绍大语言模型（LLM）自动对齐方案的论文，解决了构建符合人类需求的大语言模型的关键问题。
论文亮点：
自动化对齐问题：研究大语言模型自动化对齐的核心问题，是构建符合人类需求的 LLM 的重要一步。
全面概述：论文全面概述了大语言模型自动对齐的主要技术路径。
高效对齐：旨在以最少的人工干预，构建高质量、可扩展的对齐系统，满足人类需求。
主要内容：
技术路径：详细介绍了 LLM 自动对齐的主要技术路径，涵盖模型训练、数据处理和对齐算法等方面。
案例分析：通过实际案例展示了自动对齐技术在不同场景中的应用效果。
未来发展：探讨了自动对齐技术的未来发展方向和应用前景。
阿里巴巴近期发布了一篇详细介绍大语言模型（LLM）自动对齐方案的论文，解决了构建符合人类需求的大语言模型的关键问题。
论文亮点：
自动化对齐问题：研究大语言模型自动化对齐的核心问题，是构建符合人类需求的 LLM 的重要一步。
全面概述：论文全面概述了大语言模型自动对齐的主要技术路径。
高效对齐：旨在以最少的人工干预，构建高质量、可扩展的对齐系统，满足人类需求。
主要内容：
技术路径：详细介绍了 LLM 自动对齐的主要技术路径，涵盖模型训练、数据处理和对齐算法等方面。
案例分析：通过实际案例展示了自动对齐技术在不同场景中的应用效果。
未来发展：探讨了自动对齐技术的未来发展方向和应用前景。
6 00
王炸级别的文本转语音（TTS）模型——Seed-TTS
字节跳动推出的 Seed-TTS，能够生成几乎无法与人类语音区分的自然声音。
主要特性：
高度逼真：生成自然、逼真的语音。
无需训练：无需额外训练即可生成自然语音。
多样化表现：理解语音上下文，生成带有情感和表现力的语音。
多语种支持：适用于视频博主等需要多语种支持的场景。
应用场景：
小说推文：生成带有情感的生动语音。
视频博主：轻松更换视频语音，支持多语种。
项目介绍及演示：
bytedancespeech.github.io
GitHub 项目地址：github.com
字节跳动推出的 Seed-TTS，能够生成几乎无法与人类语音区分的自然声音。
主要特性：
高度逼真：生成自然、逼真的语音。
无需训练：无需额外训练即可生成自然语音。
多样化表现：理解语音上下文，生成带有情感和表现力的语音。
多语种支持：适用于视频博主等需要多语种支持的场景。
应用场景：
小说推文：生成带有情感的生动语音。
视频博主：轻松更换视频语音，支持多语种。
项目介绍及演示：
bytedancespeech.github.io
GitHub 项目地址：github.com
89 2075
推荐一款新的视频下载神器——Cobalt！
主要特性：
开源免费：无广告，完全免费使用。
多平台支持：支持 B站、YouTube、Instagram、TikTok 和 Twitter 视频下载。
GitHub 项目地址：github.com
在线体验：cobalt.tools
使用指南：
访问在线体验网站：直接进入 Cobalt 在线体验网站。
输入视频链接：在网站上输入你想下载的视频链接。
选择下载选项：选择下载格式和质量，点击下载按钮即可。
总结：
Cobalt 是一个强大的视频下载工具，开源免费且无广告，支持多种主流视频平台。无需部署，直接通过在线体验网站即可使用，非常适合小白用户。
主要特性：
开源免费：无广告，完全免费使用。
多平台支持：支持 B站、YouTube、Instagram、TikTok 和 Twitter 视频下载。
GitHub 项目地址：github.com
在线体验：cobalt.tools
使用指南：
访问在线体验网站：直接进入 Cobalt 在线体验网站。
输入视频链接：在网站上输入你想下载的视频链接。
选择下载选项：选择下载格式和质量，点击下载按钮即可。
总结：
Cobalt 是一个强大的视频下载工具，开源免费且无广告，支持多种主流视频平台。无需部署，直接通过在线体验网站即可使用，非常适合小白用户。
0 00
NVIDIA 发布全套数字人微服务，为 AI 数字人的未来铺平道路！
NVIDIA 宣布全面推出 NVIDIA ACE 生成式 AI 微服务，推动下一代数字人类的发展，带来新的生成式 AI 突破。
传送门:nvidianews.nvidia.com
ACE 技术服务套件：
NVIDIA Riva：
用于自动语音识别 (ASR)、文本到语音 (TTS) 转换和机器翻译 (NMT)。
NVIDIA Nemotron 大语言模型：
用于语言理解和上下文响应生成。
NVIDIA Audio2Face：
基于音轨的逼真面部动画。
NVIDIA Omniverse RTX：
用于实时路径追踪的逼真皮肤和头发渲染。
NVIDIA Audio2Gesture：
用于生成基于音轨的身体姿势（即将推出）。
NVIDIA Nemotron-3 4.5B：
一种新的小型语言模型 (SLM)，专为低延迟的 RTX AI 个人电脑设备推理而设计。
核心优势：
通过整套 ACE 技术服务，可以实现自然语言理解、数字人语音生成、面部和身体动画，同时做到低延迟实时交互，提供沉浸式的数字人体验。该服务可以灵活部署在云端或者本地。
应用场景：
AI 数字人客服：提升客户服务体验。
游戏 NPC：增强游戏中的互动性和现实感。
远程医疗：提供更自然的患者互动。
展望未来：
正如 NVIDIA CEO 黄仁勋所说：“数字人将彻底改变各行各业。” 率先采用该技术的行业已经在改变世界，我们离全面进入 AI 数字人世界的未来越来越近！
NVIDIA 宣布全面推出 NVIDIA ACE 生成式 AI 微服务，推动下一代数字人类的发展，带来新的生成式 AI 突破。
传送门:nvidianews.nvidia.com
ACE 技术服务套件：
NVIDIA Riva：
用于自动语音识别 (ASR)、文本到语音 (TTS) 转换和机器翻译 (NMT)。
NVIDIA Nemotron 大语言模型：
用于语言理解和上下文响应生成。
NVIDIA Audio2Face：
基于音轨的逼真面部动画。
NVIDIA Omniverse RTX：
用于实时路径追踪的逼真皮肤和头发渲染。
NVIDIA Audio2Gesture：
用于生成基于音轨的身体姿势（即将推出）。
NVIDIA Nemotron-3 4.5B：
一种新的小型语言模型 (SLM)，专为低延迟的 RTX AI 个人电脑设备推理而设计。
核心优势：
通过整套 ACE 技术服务，可以实现自然语言理解、数字人语音生成、面部和身体动画，同时做到低延迟实时交互，提供沉浸式的数字人体验。该服务可以灵活部署在云端或者本地。
应用场景：
AI 数字人客服：提升客户服务体验。
游戏 NPC：增强游戏中的互动性和现实感。
远程医疗：提供更自然的患者互动。
展望未来：
正如 NVIDIA CEO 黄仁勋所说：“数字人将彻底改变各行各业。” 率先采用该技术的行业已经在改变世界，我们离全面进入 AI 数字人世界的未来越来越近！
0 00