最新AI教程资讯
PyVideoTrans – 开源的视频翻译和配音工具，支持多种语言
PyVideoTrans 是开源的视频翻译配音工具，将视频内容从一种语言自动翻译成另一种语言，并添加相应的字幕和配音。PyVideoTrans支持多语言，具备高效的语音识别和准确的文字翻译功能，同时使用高质量的语音合成技术来生成配音。
2025-02-11 11:17:13
LongCite – 清华推出的开源模型，提升LLMs的精准引用减少幻觉
ongCite是由清华大学推出的项目，旨在提升大型语言模型（LLMs）在长文本问答任务中的可信度和可验证性。项目通过生成细粒度的句子级引用，使用户能验证模型的回答是否准确。核心组成部分包括LongBench-Cite评估基准、CoF自动化数据构建流程、LongCite-45k数据集，以及基于该数据集训练的LongCite-8B和LongCite-9B模型。
2025-02-11 10:47:30
CSGO AI – 小红书联合南理工推出的AI文生图项目
CSGO（Content-Style Composition in Text-to-Image Generation）是由南京理工大学、小红书等机构合作开发的图像风格迁移和文本到图像生成的研究项目。CSGO的目标是为用户提供更加丰富和多样化的图像创作工具。
2025-02-11 10:21:32
GameGen-O – 腾讯推出的游戏视频生成模型，自动生成角色、场景、动作和事件
GameGen-O 是腾讯推出的一款基于 Transformer 架构的游戏视频生成模型，专门用于生成开放世界视频游戏。模型能模拟游戏引擎的多种功能，包括生成游戏角色、动态环境、复杂动作等，支持交互控制，支持用户通过文本、操作信号和视频提示来控制游戏内容。
2025-02-11 09:52:19
Nemotron-Mini-4B-Instruct – 英伟达推出的开源小型语言模型
Nemotron-Mini-4B-Instruct是英伟达推出的一款开源小型语言模型，专为角色扮演、检索增强生成（RAG）和函数调用任务优化。模型通过蒸馏、剪枝和量化技术优化，提高运行速度和设备端部署能力，具有较低的显存占用，能快速生成响应。
2025-02-11 09:31:23
mPLUG-DocOwl2 – 阿里推出多页文档理解的多模态大模型，单页仅需324个token
mPLUG-DocOwl 2是由阿里巴巴通义实验室mPLUG团队推出的用于多页文档理解的多模态大型语言模型。在不依赖光学字符识别（OCR）技术的情况下，通过高分辨率文档图像压缩技术，实现对文档图片的高效理解和处理。
2025-02-10 17:50:09
SleepFM – 斯坦福大学开源的多模态睡眠分析模型
SleepFM 是斯坦福大学开源的多模态睡眠分析模型，基于超过14,000名参与者的100,000小时睡眠数据，通过融合大脑活动、心电图和呼吸信号，提供全面的睡眠健康评估。旨在提高睡眠分析的效率和准确性。
2025-02-10 17:28:09
QA-MDT – 中科大联合科大讯飞推出开源音乐生成模型
QA-MDT（Quality-aware Masked Diffusion Transformer）是由中国科学技术大学和科大讯飞联合推出的开源音乐生成模型。模型基于文本描述生成高质量且音乐性强的音乐，创新的质量感知训练策略，在训练过程中识别并提升音乐波形的质量。
2025-02-10 16:58:52
书生·筑梦2.0（Vchitect 2.0） – 上海人工智能实验室推出的AI视频生成模型
书生·筑梦2 0（Vchitect 2 0）是由上海人工智能实验室推出的升级版视频生成开源大模型，旨在生成符合中国文化和东方审美的视频内容。模型支持长达20秒的视频生成，兼容多种分辨率，包括4:3和16:9。提供2K分辨率、24fps的一体化视频增强模型，通过集成的视频生成、插帧超分、画面修复等功能，提升视频的质量和美学水平。
2025-02-10 16:36:50
AI Youtube Shorts Generator – 开源的AI视频编辑工具，自动分析视频提取精彩片段
AI Youtube Shorts Generator 是一款开源的 AI 视频编辑工具，基于 GPT-4、FFmpeg 和 OpenCV 等技术自动分析长视频，提取最精彩的片段，将其裁剪成适合短视频平台的格式。工具能自动化下载视频、转录音频、识别亮点、检测声源，并进行垂直剪辑，提高内容创作者的工作效率，快速生成吸引观众的短视频内容。
2025-02-10 16:14:45
PhotoPrism – 开源的AI照片管理工具，AI驱动的照片分类和搜索功能
PhotoPrism 是一个开源的AI照片管理工具，用 Go 语言编写，旨在为用户提供一个去中心化的照片存储和组织解决方案。支持用户在自己的硬件上运行，完全控制自己的数据，不依赖于云服务提供商。
2025-02-10 15:44:48
Claude Dev – AI编程助手，基于Claude 3.5 Sonnet模型
Claude Dev是一个集成在Visual Studio Code中的AI编程助手，基于Anthropic公司的Claude 3 5 Sonnet模型，为开发者提供自动化的编程支持。Claude Dev自动处理复杂的编程任务，如读写文件、创建项目、执行终端命令等，提高开发效率。
2025-02-10 15:24:42
FaceSwap – 开源的在线AI换脸工具，深度伪造视频和图像
FaceSwap 是一个开源的AI软件，用于创建深度伪造（Deepfakes）视频和图像。基于深度学习技术，在视频或图片中将一个人的脸替换成另一个人的脸。FaceSwap 支持多种操作系统，包括 Windows、macOS 和 Linux，并在 CPU 或 GPU 上运行。
2025-02-10 14:57:09
Seed-Music – 字节跳动推出的AI音乐生成大模型
Seed-Music是字节跳动推出的AI音乐生成大模型，将用户录制的 10 秒音频转化为完整的音乐作品。通过自回归语言模型和扩散方法，根据用户的多模态输入（如风格描述、音频参考、乐谱和声音提示）生成高质量、风格可控的音乐。
2025-02-10 14:35:15
ConFiner – 高质量长视频生成框架，可制作长达600帧的连贯视频
ConFiner 是一个创新的视频生成框架，由多所大学和研究机构共同推出。结合多个现成的扩散模型专家，无需额外训练可生成高质量且连贯的视频内容。
2025-02-10 14:07:15
M2UGen – 腾讯联合国立大学推出多模态音乐理解和生成框架
M2UGen是先进的多模态音乐理解和生成框架，由腾讯PCG ARC实验室与新加坡国立大学联合推出。结合了大型语言模型（LLM）的能力，能处理包括文本、图像、视频和音频在内的多模态输入，生成相应的音乐。
2025-02-10 13:40:09
PoseTalk – 文本和音频驱动的生成会说话的头部动画开源项目
PoseTalk 是基于文本和音频的姿势控制和运动细化方法的开源项目，用于一次性生成会说话的头部视频。从图像、驱动音频和驱动姿势合成说话人脸视频，为用户提供高效、便捷的头部动画生成方式。
2025-02-10 12:54:20
Follow-Your-Canvas – 腾讯与清华合作推出的高分辨率视频扩展技术
Follow-Your-Canvas 是由腾讯混元团队与清华大学等机构合作推出的一种高分辨率视频扩展技术。通过分布式处理和布局对齐两个核心设计，将视频内容扩展到任意分辨率，保持与原视频的无缝衔接和高质量内容生成。
2025-02-10 12:27:04
Filmfotos – 模拟和还原胶片质感效果的LoRA模型
Filmfotos是由DynamicWang推出的的基于Flux架构的LoRA模型，专注于模拟和还原胶片的质感效果。以低饱和度的日系胶片风格为特点，为照片带来柔和、细腻的复古美感。
2025-02-10 12:02:38
Faster Whisper – 一款高效语音识别工具，实现高速转写和快速推理
Faster Whisper 是一个基于OpenAI Whisper模型的高效语音识别工具，运用CTranslate2引擎实现快速推理。在保持高准确度的同时，提升语音转写速度，降低内存使用，能处理大型音频文件。
2025-02-10 11:33:06
人气排行
24小时排行
