Открытая платформа computer-use агентов: воспроизводит реальные рабочие сценарии на виртуальных машинах — от бронирования билетов до заполнения отчётов.
Десктопный GUI-агент от ByteDance: управляет любым приложением — кликает, печатает и читает экран по текстовой инструкции, модель работает локально или в облаке.
Распознавание речи в реальном времени на базе Whisper: стриминг с сервером на GPU, перевод на лету и замена диктора для клонирования голоса.
Популярный десктопный инструмент для удаления вокала: десятки моделей разделения источников, пакетная обработка и гибкие настройки в GUI.
Эталонное разделение источников от Meta: разбивает любую песню на вокал, барабаны, бас и другие дорожки с качеством, ставшим стандартом отрасли.
Аудио в MIDI за секунды от Spotify: распознаёт ноты и полифонию в любой записи — от пианино до вокала — с малым потреблением ресурсов.
Быстрая открытая модель музыки: генерация трека за секунды, тексты песен на 19 языках и дообучение на собственном стиле без больших затрат.
Открытый аналог Suno: полноценные песни с вокалом из текста и стиля — разметка структуры трека, мультиязычный вокал и до 5 минут музыки.
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.