VCoder是一个多功能视觉编码器，旨在提升多模态大语言模型的感知能力，支持图像推理和生成任务，能够识别和计算图像中的物体，同时提供分割和深度图等感知模式，并利用COCO数据集进行训练和评估。
一种在文本到图像合成中实现语义绑定的方法，无需进行训练。
Nexa SDK是一款全面支持ONNX和GGML模型的工具包，具备文本生成、图像生成、视觉-语言模型（VLM）、自动语音识别（ASR）和文本到语音（TTS）功能，提供OpenAI兼容的API服务器，支持JSON模式调用函数和流媒体，配备用户友好的Streamlit UI，方便开发者使用和集成。
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。
Vid2txt是在MacOS和Windows上转录视频（和音频）最简单的应用程序。
Vadoo AI 是一个人工智能驱动的平台，旨在简化视频创作和编辑过程，特别是针对社交媒体平台（如Instagram、TikTok和YouTube）上的短视频内容。用户可以通过文本提示生成视频，添加字幕，定制90多种语言的配音，并自动将长视频剪切成短片段。
Clipwing 是一个超级简单的视频编辑器，能够将长视频剪辑成短片，添加字幕，并调整视频大小，以便适应不同社交媒体平台的分发需求。
Google Cloud Speech to Text 利用先进的AI技术，将口语转换为书面文本，支持125种语言，适用于个人和专业人士，提供无缝的语音转录服务，可集成到各种应用中。
