EchoMimicV2(开机自启动v2.0.0)

Hunyuan3D-1(开机自启动v1.0.2)

库

虽然 3D 生成模型极大地改善了艺术家的工作流程，但现有的 3D 生成扩散模型存在生成速度慢、泛化能力差的问题。为了解决这个问题，我们提出了一种名为 Hunyuan3D-1.0 的两阶段方法，包括一个精简版和一个标准版，均支持文本和图像条件生成。 在第一阶段，我们采用多视图扩散模型，该模型可在约 4 秒内高效生成多视图 RGB。这些多视图图像从不同视角捕捉 3D 资产的丰富细节，将任务从单视图简化为多视图重建。在第二阶段，我们引入了前馈重建模型，该模型可在约 7 秒内根据生成的多视图图像快速、忠实地重建 3D 资产。重建网络学习处理多视图扩散引入的噪声和不一致性，并利用条件图像中的可用信息高效恢复 3D 结构。 我们的框架涉及文本转图像模型，即 Hunyuan-DiT，使其成为一个统一的框架，支持文本和图像条件的 3D 生成。我们的标准版本比我们的精简版和其他现有模型多 3 倍参数。我们的 Hunyuan3D-1.0 在速度和质量之间实现了令人印象深刻的平衡，显著缩短了生成时间，同时保持了所生成资产的质量和多样性。

Janus是一种新颖的自回归框架，它将多模态理解和生成统一起来。它通过将视觉编码解耦为单独的路径来解决以前方法的局限性，同时仍然使用单一、统一的转换器架构进行处理。这种解耦不仅缓解了视觉编码器在理解和生成中的角色冲突，而且还增强了框架的灵活性。Janus 超越了之前的统一模型，并且达到或超过了特定任务模型的性能。Janus 的简单性、高灵活性和有效性使其成为下一代统一多模态模型的有力候选者。

功能：基础-TTS，多语音生成，语音聊天， F5-TTS 是由上海交通大学、剑桥大学和吉利汽车研究院（宁波）有限公司于 2024 年共同开源的一款高性能文本到语音 (TTS) 系统，它基于流匹配的非自回归生成方法，结合了扩散变换器 (DiT) 技术。。这一系统能够在没有额外监督的情况下，通过零样本学习快速生成自然、流畅且忠实于原文的语音。 F5-TTS 支持多语言合成，包括中文和英文，且能在长文本上进行有效的语音合成。此外，F5-TTS 还具备情感控制功能，能根据文本内容调整合成语音的情感表现，并支持速度控制，允许用户根据需要调整语音的播放速度。系统在 10 万小时的大规模数据集上进行训练，展现出了卓越的性能和泛化能力。 F5-TTS 的主要功能包括零样本声音克隆、速度控制、情感表现控制、长文本合成以及多语言支持。它的技术原理涉及到流匹配、扩散变换器 (DiT) 、 ConvNeXt V2 文本表示改进、 Sway Sampling 策略以及端到端的系统设计。 F5-TTS 的应用场景广泛，包括有声读物、语音助手、语言学习、新闻播报、游戏配音等，为各种商业和非商业用途提供强大的语音合成能力。 E2 TTS，全称为「Embarrassingly Easy Text-to-Speech」，是一种先进的文本转语音 (TTS) 系统，它通过简化的流程实现了人类水平的自然度和说话人相似性。 E2 TTS 的核心在于它完全非自回归的特性，这意味着它可以一次性生成整个语音序列，而不需要逐步生成，从而显著提高了生成速度并保持了高质量的语音输出。已被 SLT 2024 接受。 在 E2 TTS 框架中，文本输入被转换为带有填充标记的字符序列。然后根据音频填充任务训练基于流匹配的梅尔频谱图生成器。与许多以前的工作不同，它不需要额外的组件（例如持续时间模型、字素到音素）或复杂的技术（例如单调对齐搜索）。尽管 E2 TTS 很简单，但它实现了最先进的零样本 TTS 功能，可与包括 Voicebox 和 NaturalSpeech 3 在内的以前的作品相媲美或超越。 E2 TTS 的简单性还允许输入表示的灵活性。

本镜像带开机自启动功能，直接开机开放端口，然后访问网址即可。本版本在v2.0.1基础上增加了常用插件以及部分模型

自 Qwen2 发布以来的三个月里，众多开发者在 Qwen2 语言模型上构建了新模型，为我们提供了宝贵的反馈。在此期间，我们专注于创建更智能、知识更丰富的语言模型。今天，我们很高兴向大家介绍 Qwen 家族的最新成员：Qwen2.5。 密集、易于使用、仅解码器的语言模型，有0.5B、1.5B、3B、7B、14B、32B和72B大小以及基本和指示变体。 在我们最新的大规模数据集上进行预训练，涵盖多达18T 个标记。 在指令跟踪、生成长文本（超过 8K 个标记）、理解结构化数据（例如表格）以及生成结构化输出（尤其是 JSON）方面有显著改进。 更能适应系统提示的多样性，增强聊天机器人的角色扮演实现和条件设定。 上下文长度最多支持128K个token，最多可生成8K个token。 支持超过29种语言，包括中文、英语、法语、西班牙语、葡萄牙语、德语、意大利语、俄语、日语、韩语、越南语、泰语、阿拉伯语等。

EchoMimicV2：面向引人注目、简化和半身体人体动画。

这是 Pyramid Flow 的官方仓库，Pyramid Flow 是一种基于 Flow Matching 的高效训练自回归视频生成方法。通过仅在开源数据集上进行训练，它可以生成 768p 分辨率和 24 FPS 的高质量 10 秒视频，并且自然支持图像到视频的生成。

OmniGen 是一个统一的图像生成模型，可用于执行各种任务，包括但不限于文本到图像生成、主题驱动生成、身份保留生成、图像编辑和图像条件生成。OmniGen 不需要额外的插件或操作，它可以根据文本提示自动识别输入图像中的特征（例如，所需的对象、人体姿势、深度映射）