FollowYourPose是由腾讯混元团队联合中山大学、香港科技大学推出的图生视频模型。该模型通过输入一张人物图片和一段动作视频，能够生成人物跟随动作的视频，视频长度可达10秒。项目基于Stable Diffusion模型，通过两阶段训练方案，利用图像-姿态对和无姿态视频数据集，生成可编辑和姿态可控的人物视频。项目代码和模型已公开，支持在本地和云端运行。

ChatUI是阿里巴巴基于其丰富的聊天交互经验开发的一款专为构建对话式用户界面（Conversational UI）设计的语言和基于React的库。它提供了强大的工具集，包括TypeScript编写的稳健代码、自动适应不同设备的响应式设计以及对无障碍功能的支持。ChatUI旨在帮助开发者快速构建高效、可访问且国际化的聊天界面。

MetaVoice-1B 是一个拥有1.2亿参数的文本转语音(TTS)模型，专注于生成情感丰富、节奏自然和音调准确的英语语音。它支持零样本克隆美国与英国口音，并支持跨语言的声线定制。模型基于100K小时的语音数据进行训练，支持任意长度文本的合成，并提供了丰富的API和Web UI供用户使用。项目采用Apache 2.0开源许可，用户可以无限制地使用。

CosyVoice是阿里巴巴通义实验室开发的语音生成工具，支持多语言与跨语言生成、零样本语音克隆、双向流式语音合成、富文本与情感控制等功能。适用于直播、客服等对响应速度要求极高的场景。CosyVoice 2.0版本在1.0的基础上提供了更准确、更稳定、更快速、更高质量的语音生成能力。

seed-tts-eval是字节跳动开发的Seed-TTS模型的客观评估工具，包含用于评估零样本语音生成能力的测试集和指标计算脚本。该项目不发布Seed-TTS的源代码和模型权重，但提供了从公开语料库中提取的测试样本，用于衡量模型在多种客观指标上的表现。测试集包括来自Common Voice和DiDiSpeech-2数据集的样本，并采用WER（词错误率）和SIM（说话人相似度）作为评估指标。

ChatTTS-ui 是一个简单的本地网页界面，支持在网页上将文字合成为语音，支持中英文、数字混杂，并提供API接口。项目支持Windows、Linux、Mac多平台部署，用户可以通过网页界面或API进行文字转语音操作。

ChatALL是一个开源项目，允许用户同时与多个大型语言模型（LLM）进行对话。通过向多个AI机器人发送提示，用户可以发现最佳结果。该项目旨在提供更好的体验，用户只需下载、安装并提问即可。支持多种语言和操作系统，包括Windows、macOS和Linux。所有聊天记录和设置都保存在本地，确保用户隐私安全。

基于Unity开发的Live2D虚拟人聊天系统，利用Live2D技术实现动态虚拟人形象，集成多种API（如Azure、OpenAI和APISpace）进行实时聊天和图像处理。项目支持与用户进行动态交互，适用于虚拟助手、教育、娱乐等多种场景。项目提供了详细的技术文档和部署指南，开发者可以根据需求进行二次开发或集成。

anime.gf 是一个本地且开源的工具，提供与虚拟角色互动的平台。它支持多种API（如OpenAI、Anthropic、Mistral和TogetherAI），并允许用户自定义角色卡片。该工具具有用户友好的界面，支持多种LLM生成设置，并允许用户自定义主题。anime.gf 还支持Linux和MacOS系统，并提供自动更新功能。

Muice-Chatbot 是一个由 ChatGLM2-6B 和 Qwen-7B Qlora 微调模型驱动的聊天机器人，具备主动聊天、丰富情感色彩和高度定制化等特点。它支持 Python 3.10 环境部署，具有个性化的二次元风格和丰富的交互性。

Stable Fast 3D是由Stability AI推出的开源模型，专注于从单张图片快速生成高质量的3D网格模型。该模型在0.5秒内即可将图片转换为详细的3D资产，包括UV展开的网格、材质参数和减少光照烘焙的反照率颜色。Stable Fast 3D基于TripoSR，但引入了多项新技术，确保生成的网格无伪影，并且纹理和材质参数易于集成到游戏引擎中。

EasyAnimate是阿里云人工智能平台PAI自主研发的基于DiT的视频生成框架，提供了从视频数据预处理、VAE训练、DiT训练、模型推理到模型评测的完整高清长视频生成解决方案。支持多种分辨率和帧率的视频生成，适用于文本到视频、图像到视频、视频到视频等多种生成任务。

SAM 2 是 Meta AI 团队开发的开源 AI 模型，专注于图像和视频中的对象分割任务。它是全球首个支持视频实时抠像的 AI 大模型，能够在零样本前提下实现精准的对象分割。Meta 还提供了基于网络的演示体验，并共享了用于构建 SAM 2 的数据集 SA-V，许可为 CC BY 4.0。SAM 2 的设计基于简单的 Transformer 架构，支持实时视频处理，并提供了一个模型在环的数据引擎，通过用户交互改进模型和数据。

OpenUI是一个开源工具，旨在通过与AI聊天的方式定制UI界面，使UI设计过程变得有趣、快速和灵活。它支持PC端、平板端和手机端的UI设计，并能够实时渲染效果。用户可以通过文字描述生成UI界面，并通过聊天方式进行修改。此外，OpenUI还支持将HTML转换为多种前端框架，如React、Svelte、Web Components等。

LabelU 是一个全面的数据标注平台，专为处理多模态数据设计。它提供了一系列先进的标注工具和高效的工作流程，使用户能够轻松应对图像、视频和音频的标注任务。LabelU 旨在满足复杂数据分析和模型训练的需求，支持目标检测、分类、分割、关键点、折线、OCR等多种算法场景。此外，它还支持导入预标注的JSONL文件进行二次修改，并允许使用大模型进行自动标注后进行人工批量审核和修改。

Clarity Upscaler 是一款基于最新AI技术的开源图像放大与增强工具，能够将低分辨率图像放大到更高分辨率，同时保持图像的清晰度和质量。它适用于多种场景，如风景、肖像、插图、动漫、室内设计等。项目完全开源，用户可以自由使用和修改其代码。此外，Clarity Upscaler 还提供了多种使用方式，包括通过应用程序、API、ComfyUI、Cog 和 A1111 webUI 等。

EZ-Work是一个开源的AI文档翻译助手，旨在帮助用户快速、低成本地利用OpenAI等大语言模型API进行文档翻译。它支持多种文档格式的翻译，包括txt、word、csv、excel、pdf和ppt，适用于各种需要文档翻译的场景。项目支持批量操作、多线程处理、Docker部署，并兼容OpenAI格式的任何端点API。

GenWarp是一种从单张图像生成不同视角新图像的方法。它能够在保留原始图像重要信息和细节的同时，生成视角变化后的图像，确保信息不会丢失或扭曲。该项目提供了模型的推理代码，用户可以通过输入图像和相机姿态生成新视角图像。

Deep-Live-Cam 是一款基于深度学习算法的开源AI工具，支持实时人脸替换。用户仅需一张照片即可在视频聊天、直播等场景中实现换脸。该工具具有实时性、易用性、多平台兼容性，并内置防滥用机制。用户可以对替换后的面部特征进行自定义调整，包括肤色、光线、表情等参数，还内置多种风格的滤镜和特效。项目在GitHub上开源，支持自定义修改和二次开发。

MIMO是阿里开源的可控角色视频生成模型，支持通过一张图片生成虚拟角色动画视频。该项目不仅能够根据用户提供的简单输入（如角色、动作和场景）合成逼真的角色视频，还能在统一框架中实现任意角色的高级可扩展性、对新颖3D动作的通用性以及对交互式现实场景的适用性。项目地址、论文和在线演示均已公开，用户可以通过GitHub获取代码并尝试使用。

VirtualWife是一个创新的虚拟数字人项目，致力于打造具有AI灵魂的虚拟角色。项目基于ChatGPT实现与用户的自然语言交互，支持在B站进行直播，并允许用户自由更换VRM人物模型。通过自然语言处理和机器学习技术，VirtualWife能够理解和响应用户输入，提供智能化的互动体验。项目支持一键部署、跨平台运行、个性化角色设定、长短期记忆、多模型切换等功能，旨在让虚拟数字人融入人类生活，作为情感导师或心理咨询师，解决用户的情感需求。

ChatNio 是一个综合了多种流行AI模型和服务的一站式平台，支持OpenAI、Midjourney、Claude、讯飞星火、Stable Diffusion、通义千问、腾讯混元等35+个国内外主流AI模型，涵盖文本、音频和视频等多个领域。提供分布式流式传输、图像生成、跨设备对话同步、Token弹性计费、多模型聚合、联网搜索、AI卡片、AI项目生成、批量文章生成等功能。未来还将支持RAG、数字人、TTS & STT、API网关等新功能。

JoyHallo是京东开源的AI数字人项目，专注于生成普通话和英语的数字人视频。项目通过集成wav2vec2模型进行音频特征嵌入，优化了面部动画的生成过程，适用于数字媒体、在线教育、虚拟助手等领域。项目基于29小时的普通话语音视频数据集，采用半解耦结构捕捉唇部、表情和姿态特征之间的关系，提升了信息利用效率，并加速了推理速度。

MimicTalk 是由浙江大学与字节跳动联合开发的AI项目，旨在填补个性化数字人小模型和单图驱动通用数字人大模型之间的空白。该项目基于NeRF技术，能够在极短的时间内（仅需15分钟）训练出高质量、个性化的3D说话人脸模型。MimicTalk 支持用音频驱动生成特定人物的说话头像，捕捉细微的面部肌肉运动，实现自然表情和口型与语音的高度同步。

Video-subtitle-remover (VSR) 是一款基于AI技术的视频硬字幕去除软件，支持无损分辨率、自定义字幕位置、全视频自动去除所有文本等功能。该软件通过超强AI算法模型，对去除字幕文本的区域进行填充，支持多选图片批量去除水印文本，适用于Windows、macOS和Linux系统。

FunClip 是阿里巴巴通义实验室推出的开源视频剪辑工具，基于大语言模型（LLM）和自动化技术，能够精准进行语音识别并快速裁剪视频片段。它支持本地部署和在线体验，集成了阿里开源的工业级语音识别模型 Paraformer-Large 和 SeACo-Paraformer，提供热词定制和说话人识别功能。通过 Gradio 交互界面，用户可以轻松选择文本片段或说话人进行剪辑，并自动生成 SRT 字幕。FunClip 还支持多段自由剪辑和智能剪辑功能，结合大语言模型（如 GPT 系列）进行智能剪辑，提供便捷的用户体验。

Inf-DiT 是清华大学与智谱AI联合推出的基于扩散模型的图像上采样方法，能够生成超高分辨率图像。该模型引入了单向块注意力机制(UniBA)，将生成过程中的空间复杂度从 O(N^2)降低到 O(N)，有效解决了传统扩散模型在生成大尺寸图像时内存消耗过高的问题。Inf-DiT 采用扩散变换器(DiT)结构，能够处理各种形状和分辨率的图像上采样任务，并通过全局图像嵌入和邻近低分辨率块的交叉注意力机制等技术，增强图像的局部和全局一致性。实验结果表明，Inf-DiT 在超高分辨率图像生成和超分辨率任务中均达到了 SOTA 性能。

PanoDreamer是一种创新的方法，能够从单张图像生成连贯的360°3D场景。它通过将问题构建为单图像全景和深度估计的两个优化任务，并引入交替最小化策略来有效解决目标。PanoDreamer不仅能生成全景图像，还能生成相应的深度信息，确保整个360°场景的一致性，解决了现有最先进方法在循环回输入图像时可能出现的可见接缝问题。通过修复小的遮挡区域并将其投影到3D空间，可以重建场景。PanoDreamer在单图360度场景重建方面在一致性和整体质量方面优于现有技术。

SPAR3D是由Stability AI和伊利诺伊大学香槟分校推出的先进单图生成3D模型方法。它通过两阶段设计，首先使用点扩散模型生成稀疏的3D点云，然后结合采样点云和输入图像生成高度详细的网格。SPAR3D结合了回归模型和生成模型的优势，能够准确重建图像中的可见表面，并合理生成被遮挡部分的几何和纹理细节。该模型在多个数据集上表现出色，推理速度快，支持用户对生成网格的交互式编辑，为单视图3D重建任务提供了一种实用且高效的解决方案。

STAR是由南京大学、字节跳动、西南大学联合推出的创新视频超分辨率框架，旨在从低分辨率视频生成高分辨率视频，同时保持细节清晰度和时间一致性。该项目整合了强大的文本到视频扩散模型，增强了视频的空间细节和时间建模能力。STAR引入了局部信息增强模块（LEM），在全局注意力块之前丰富局部细节，减轻复杂退化引入的伪影问题。此外，STAR还推出了动态频率（DF）损失，引导模型在不同扩散步骤中关注不同频率成分，从而提高恢复保真度。