Speech-02 是 MiniMax 推出的新一代（TTS）模型。模型基于回归 Transformer 架构，实现零样本，仅需几秒参考语音能生成高度相似的目标语音。Flow-VAE 架构增强了语音生成的信息表征能力，提升合成语音的质量和相似度。Speech-02提供两种版本，Speech-02-HD 专为高保真应用设计，如配音和有声读物，能消除节奏不一致问题，保持音质清晰， Speech-02-Turbo 针对实时性能优化，平衡超低延迟与卓越音质，适用于交互式应用。Speech-02模型已在平台及MiniMax API平台上线。
Wear-Any-Way是阿里巴巴拍立淘团队推出的创新的虚拟试穿框架。通过稀疏对应对齐机制，实现了高保真度且可定制的虚拟试穿效果。用户可以生成逼真的试穿图像，通过简单的点击和拖动操作，精准操控服装的穿着方式，如卷起袖子、调整...
WeKnora 是腾讯开源的基于大语言模型（LLM）的文档理解与语义检索框架。框架基于模块化设计，支持多模态文档解析（如 PDF、Word、图片等），通过 RAG（检索增强生成）机制实现精准问答。...
WeGen 是中国科学技术大学联合上海交通大学、微信团队、中国科学院等机构推出的统一多模态生成模型，基于自然对话实现多样化的视觉生成任务。WeGen结合多模态大语言模型（MLLM）和扩散模型，处理文本到图像生成、条件驱动生成...
WeClone是从聊天记录创造数字分身的一站式解决方案。基于聊天记录微调大语言模型（LLM），让模型具有特定的风格，绑定到微信、QQ、Telegram等聊天机器人，实现数字分身。...
Wav2Lip是开源的唇形同步工具，支持用户将音频文件转换成与口型同步的视频，广泛应用于视频编辑和游戏开发等领域。Wav2Lip不仅能够实现实时口型生成，还支持多种语言，适用于不同场景下的需求。...
WarriorCoder 是华南理工大学计算机科学与工程学院和微软推出的代码生成大语言模型（LLM）。基于模拟专家模型之间的对抗生成高质量训练数据，提升模型性能。与传统方法不同，WarriorCoder 不依赖于现有的专有模...
Wan2.2-S2V 是开源的多模态视频生成模型，仅需一张静态图片和一段音频，能生成电影级数字人视频，视频时长可达分钟级，且支持多种图片类型和画幅。...
Wan2.1是阿里云开源的AI视频生成大模型，具备强大的视觉生成能力。Wan2.1支持文生视频和图生视频任务，包含两种尺寸的模型，14B参数的专业版擅长复杂运动生成和物理建模，性能卓越；1.3B参数的极速版能在消费级显卡上运...
全部评论
留言在赶来的路上...
发表评论