VideoPoet
VideoPoet模型能够处理多种输入类型，包括图像、视频、文本和音频，并支持多种视频生成任务，如文本到视频、图像到视频、视频风格化、视频修复、视频扩展以及视频转音频等。
F5-TTS 是一种基于流匹配（Flow Matching）与扩散变换器（Diffusion Transformer, DiT）架构的文本到语音合成模型，由上海交通大学、剑桥大学及吉利汽车研究院联合研发。该系统在保持语音自然度和语义忠实度的同时，显著提升了训练与推理效率。
F5-TTS官网入口网址：https://github.com/SWivid/F5-TTS
不同于传统的自回归语音合成方法，F5-TTS 采用非自回归设计，省去了持续时间预测、音素对齐及复杂文本编码模块，从而简化了整体流程。在标准硬件配置下，其推理速度可达实时因子（RTF）0.15，具备较强的实用性。
核心能力
- 支持多语言语音生成，涵盖中文、英文等多种语言
- 具备零样本语音合成能力，可复用参考音频风格而无需额外训练
- 提供语音克隆、情感控制、语速调节等细粒度调控功能
- 支持多角色对话生成与语音聊天交互场景
该模型已在多语言、多说话人数据集上完成训练，能够实现跨语言代码切换、风格迁移和上下文感知的语音输出。用户可通过 Hugging Face、ModelScope 或 Gradio 等平台进行在线体验，亦可本地部署以满足定制化需求。
项目开源版本包含完整的安装说明、依赖配置及示例脚本，兼容 Python 环境并支持 CUDA 加速，适用于研究人员、开发者及数字内容创作者。F5-TTS 的技术路径为高保真、低延迟的语音合成提供了新的可行方案，在智能客服、有声内容生产、虚拟主播及实时互动等场景中具有广泛应用潜力。
相关导航
kimik2
Kimi K2 是北京月之暗面科技有限公司于 2025 年 7 月 11 日推出的开源大语言模型。
左医医疗大语言模型
一款专注于医疗健康领域的大型语言模型，旨在通过先进的AI技术为医疗行业提供高效、精准的智能服务
VASA-1
微软亚洲研究院开发的一款革命性的 AI 模型，能够将静态照片和音频文件结合生成逼真的说话视频
NineF AI
NineF AI是一站式免费主流AI大模型集成平台，集成了GPT、Claude、Llama等全球顶尖AI模型，提供多角度智能解答，助您提升工作效率和决策准确性。
MiniMind
MiniMind项目旨在从零开始训练一个轻量级语言模型（LLM），并提供完整的训练、微调、推理和部署流程。
文心大模型
百度文心,产业级知识增强大模型,包含基础通用大模型及面向重点领域和重点任务的大模型,同时有丰富的工具与平台支撑高效便捷的应用开发,学习效率高,可解释性好,大幅降低AI开发与应用门槛
IndexTTS2
IndexTTS2 是一个突破性的自回归语音合成模型，旨在解决大规模文本到语音（TTS）系统在精确时长控制和情感表达方面的挑战。