NExT-GPT开源项目 – 任意多模态大语言模型

来自艾伦人工智能研究所（Allen Institute for AI）的新模型Unified-IO 2，能够处理图像和语言的多模态模型之一。

ImgInsight是一个平台，用户可以发现图像中的隐含含义。它提供多种风格，包括励志、幽默、爱情、成功、哲学、文学和商业，帮助用户找到与他们的情绪和风格完美匹配的内容。用户只需将图像拖放到平台上或点击选择，然后选择与所需信息相符的风格，ImgInsight将生成简洁的图片说明。用户还可以浏览其他用户的作品以获取灵感，或分享自己的创作。

AI实时变声工具

Voxel51是一款前沿的AI工具，专注于视频理解技术，通过强大的AI算法实时提取视频流中的有意义见解，适用于安全、市场营销等多种应用场景。

Loudly是一个领先的AI音乐平台，帮助创作者快速创建、定制和发现音乐，拥有超过10万首免版权音轨和循环音效，支持数字项目的音乐生成。

FAQx是一个基于AI算法的性能营销SaaS平台，通过分析广告创意和活动数据，提供即时洞察和优化建议，帮助各行业的企业提升数字广告表现。该平台由市场营销专家构建，连接创意、分析和媒体购买，助力企业做出数据驱动的决策。

微软的文本转语音头像项目，允许用户通过文本输入创建会说话的头像视频，构建实时交互式机器人。

Speechki是一个AI驱动的语音生成和文本转语音解决方案，用户可以通过它将任何文本转换为高质量的音频内容，支持1100多种声音和80多种语言。

Supertone是一家先进的AI驱动语音技术公司，专注于转变和增强语音体验。旨在为内容创作者、企业和各行业提供创新解决方案，Supertone简化复杂的音频任务，使创造力和沟通更具可及性与效率。

EasyAI是一个领先的在线学习软件，旨在简化和加速课程创建。它提供了一个用户友好的平台，让用户能够创建引人入胜和互动的在线课程。

Jaeves是一个多功能的AI套件，支持32种语言的动态内容创作。它不仅帮助用户生成内容，还提供图像生成、语音转文本、文本转语音、编码、AI视觉和AI助手等功能，旨在提升用户的创作过程、社交媒体表现和商业成功。

一款开源的自动化 AI 播客生成工具，能够自动抓取网络新闻内容，并生成听起来自然流畅的叙述性音频播客。

Azen是一个将多个强大的AI工具（如ChatGPT、DALL·E 2和ElevenLabs）整合到一个平台上的工具，用户可以免费使用这些工具，节省费用，同时享受所需的一切。

Murf AI是一个创新的平台，旨在彻底改变我们创建配音的方式。它拥有先进的文本转语音软件，提供超过120种声音，覆盖20多种语言，使商业沟通更加清晰和引人入胜。Murf AI的语音克隆能力和对知识产权的承诺使其在专业人士中脱颖而出。

Coqui是一个平台，利用生成AI技术提供真实且富有情感的文本转语音配音服务。用户可以通过提供3秒的音频来克隆声音，或从可用的AI声音中选择。通过AI情感和语音控制功能，用户可以调整声音的风格、节奏和情感。高级编辑器允许用户对每个句子、单词或角色的音调、音量等进行细致调整。用户还可以使用多个表演保存不同的表现，并通过时间线编辑器指导场景。Coqui Studio提供项目管理功能，帮助用户组织工作。

Just Think AI是一个综合性的人工智能工具包，旨在为教育工作者和企业家提供多种功能，包括AI聊天、文本转语音、艺术生成和视频制作。用户可以与AI进行自然对话，轻松将文本转换为有声书，创造引人注目的视觉效果，以及生成AI驱动的视频。

ElevenLabs 是一款提供最具吸引力、丰富和逼真的语音的文本转语音和语音克隆软件，旨在为创作者和出版商提供讲故事的终极工具。

ChatWise是一款为任何大型语言模型（LLM）提供加速的AI聊天机器人工具。它能够完全离线运行（除需外部API的LLM外），支持多模态输入，包括文本、PDF、音频和图像，并提供了文本转语音功能，支持OpenAI和ElevenLabs。

GPTSidekick是一个由GPT-4和Claude 3驱动的AI助手，提供多种功能，适合内容创作、研究辅助、语言翻译和数据分析等需求。用户可以通过简单的注册流程，选择合适的套餐，便捷地访问其强大的功能。

Omni是一个旨在为创作者提供更便捷的AI配音解决方案的平台。通过先进的人工智能技术，Omni使用户能够轻松地将文本转换为高质量的语音，帮助他们在视频、播客和其他多媒体项目中实现专业的配音效果。

该项目是一份多模态大语言模型相关论文和资源的阅读清单，旨在汇集、分类和整理最新的研究成果，帮助研究人员和开发者了解多模态LLM的进展和最佳实践。