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.
Метод, перевернувший 3D-реконструкцию: сцена как облако гауссовых шариков — рендеринг в реальном времени при качестве нейронных полей.
Удобная работа с нейророндерингом: единый пайплайн для NeRF и 3DGS — от съёмки на телефон до интерактивного просмотра сцены в браузере.
Библиотека 3D Gaussian Splatting от Nerfstudio: производительные кернелы для обучения и рендеринга сплатов в PyTorch, проекты от фотограмметрии до динамики.
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.
Лёгкая модель распознавания имён собственных без словаря меток: извлекает любые сущности из текста — от персон до номеров договоров.
Визуально-языковая модель DeepSeek с MoE-архитектурой: быстрая обработка изображений высокого разрешения и видео при малом числе активных параметров.
Омни-модель от Alibaba: понимает текст, изображения, аудио и видео, отвечает текстом и речью в реальном времени — всё в одной архитектуре.
Фреймворк NVIDIA для создания и дообучения генеративных ИИ: LLM, мультимодальные и речевые модели с поддержкой тысяч GPU.