音频
  1. 首页
  2. 音频

列表

Gemma 3n

Gemma 3n

Gemma 3n 是谷歌 I/O 开发者大会推出的端侧多模态 AI 模型，基于 Gemini Nano 架构，采用逐层嵌入技术，将内存占用压缩至 2-4B 参数模型水平。支持文本、图像、短视频和音频输入，可生成结构化文本输出，并具备音频转录、情感分析等功能。可在本地设备运行，响应时间低至 50 毫秒，适用于语音助手、内容生成和学术任务定制。
AI项目与工具 2025年06月11日
CoGenAV

CoGenAV

CoGenAV是一种先进的多模态学习模型，专注于音频和视觉信号的对齐与融合。通过对比特征对齐和生成文本预测的双重目标进行训练，利用同步音频、视频和文本数据，学习捕捉时间对应关系和语义信息。CoGenAV具备音频视觉语音识别、视觉语音识别、噪声环境下的语音处理、语音重建与增强、主动说话人检测等功能，适用于智能助手、视频内容分析、工业应用和医疗健康等多个场景。
AI项目与工具 2025年06月11日
OmniSync

OmniSync

OmniSync是由中国人民大学、快手科技和清华大学联合开发的通用对口型框架，基于扩散变换器实现视频中人物口型与语音的精准同步。它采用无掩码训练范式，直接编辑视频帧，支持无限时长推理，保持自然面部动态和身份一致性。通过渐进噪声初始化和动态时空分类器自由引导（DS-CFG）机制，提升音频条件下的口型同步效果。OmniSync适用于影视配音、虚拟现实、AI内容生成等多个场景。
AI项目与工具 2025年06月11日
PlayDiffusion

PlayDiffusion

PlayDiffusion是Play AI推出的音频编辑模型，基于扩散模型技术实现音频的精细编辑和修复。它将音频编码为离散标记序列，通过掩码处理和去噪生成高质量音频，保持语音连贯性和自然性。支持局部编辑、高效文本到语音合成、动态语音修改等功能，具有非自回归特性，提升生成速度与质量。适用于配音纠错、播客剪辑、实时语音互动等场景。
AI项目与工具 2025年06月11日
MoonCast

MoonCast

MoonCast 是一个零样本播客生成系统，能够从纯文本源合成自然的播客风格语音。它采用长上下文语言模型和大规模语音数据训练，支持中文和英文，生成几分钟长的高质量播客音频。MoonCast 通过特定的LLM提示生成播客脚本，并利用语音合成模块转换为最终音频，具备长音频生成、增强自然性、多语言支持和零样本语音合成等功能。其技术原理包括多阶段训练、短段级别自回归音频重建和自发性增强，适用于内容创作、教
AI项目与工具 2025年06月11日
Eleven v3

Eleven v3

Eleven v3是ElevenLabs推出的先进文本转语音模型，支持情感和语调的精确控制，通过内联音频标签实现多样化的表达。它支持多说话人对话，能模拟真实交谈中的语气变化，覆盖超70种语言，适用于媒体影视配音、有声读物制作、游戏开发和教育等领域，提供生动、真实的声音体验。
AI项目与工具 2025年06月11日
Playmate

Playmate

Playmate是由广州趣丸科技开发的人脸动画生成框架，基于3D隐式空间引导扩散模型和双阶段训练框架，能够根据音频和指令精准控制人物表情和头部姿态，生成高质量动态肖像视频。其支持情感控制、姿态控制和独立控制，可生成多种风格的动态肖像，适用于影视制作、游戏开发、虚拟现实、互动媒体及教育等多个领域。
AI项目与工具 2025年06月11日
MultiTalk

MultiTalk

MultiTalk是由中山大学深圳校区、美团和香港科技大学联合推出的音频驱动多人对话视频生成框架。它根据多声道音频输入、参考图像和文本提示，生成包含人物互动且口型与音频一致的视频。通过Label Rotary Position Embedding (L-RoPE) 方法解决多声道音频与人物绑定问题，并采用部分参数训练和多任务训练策略，保留基础模型的指令跟随能力。MultiTalk适用于卡通、歌唱及
AI项目与工具 2025年06月11日
OBSRec录屏大师

OBSRec录屏大师

一款简单、易用、专业的视频录制工具，支持录制屏幕、区域录制、窗口录制、声音录制、摄像头录制，满足用户在不同场景下的录屏需求。
直播录屏 2025年06月05日

RecordScreen

RecordScreen
RecordScreen
一款不需要安装的浏览器在线屏幕录制工具，用户可以直接通过浏览器录制屏幕。它支持录制整个屏幕、浏览器窗口或特定标签页，并可选择同步录制摄像头画面。
直播录屏 2025年06月05日