Генерация музыки и звуков от Stability AI: текстовое описание → аудиодорожка до 47 секунд, открытые веса для коммерческого использования.
Инструменты Meta для генерации аудио: MusicGen создаёт музыку по описанию, AudioGen — звуки окружения, EnCodec — компактный аудиокодек.
Компактная речевая модель с BiCodec-токенизацией: качественный TTS и клонирование голоса нулевым shot-подходом на маленькой модели.
Открытый TTS с эмоциями и нулевым клонированием: естественная речь с интонациями, смехом и шёпотом, запуск на одном потребительском GPU.
Классическая синхронизация губ с речью: подгоняет любое видео под аудиодорожку так, что губы совпадают с произносимым текстом.
Оживление портрета по видео-драйверу: статичное фото начинает говорить и моргать, перенимая мимику из движущегося ролика — с контролем взгляда.
Картинка или текст в полноценную 3D-модель от Microsoft: сложная геометрия, PBR-текстуры и разные форматы экспорта за секунды на одной GPU.
Манипуляция освещением на фото: пересветите портрет или предметный кадр любым светом — модель достроит тени и блики правдоподобно.
Единая модель для всех задач с изображениями: генерация, редактирование по инструкции, соединение нескольких картинок в одну — без отдельных адаптеров.
Открытая модель изображений уровня Midjourney: 17 миллиардов параметров, фотореалистичные кадры, аккуратный текст на картинках и сценарное освещение.
Сверхбыстрый текст-в-изображение от NVIDIA: генерация картинок 4K на ноутбочном GPU за счёт линейного внимания и компактной диффузионной архитектуры.
Популярная замена голоса: обучите модель на 10 минутах записи — и любой голос станет голосом выбранного диктора в реальном времени.
Визуальный анализ данных с ИИ от Microsoft: описываете нужную диаграмму словами — инструмент пишет и исполняет трансформации данных.
Открытый ИИ-носимый девайс: записывает разговоры, расшифровывает, структурирует и отвечает — с полностью открытым кодом и приложением.
Открытый VTuber с локальной LLM: живой анимированный аватар, голосовой диалог, распознавание эмоций и зрительный контакт — всё на вашем железе.
Улучшенный Whisper со стабильными таймкодами: точные границы слов и сегментов без «плавания» времени.
Модель speech-to-speech без промежуточного текста: отвечает на голос сразу голосом, быстрее классических каскадов.
Открытый TTS с контролем эмоций и эмфазы: копирует голос диктора и точно воспроизводит интонации и паузы.
Открытая модель понимания и генерации речи: понимает эмоции, разговаривает и клонирует голоса.
Компактная открытая модель генерации видео: всего 3 миллиарда параметров и качество крупных систем.