开发者 AI 技能与智能体

Llama-V-JEPA-LM-Qwen3-1.7B

kkt94 · 工具包

用一个 2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-1.7B 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-3B

kkt94 · 工具包

用一个 4.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-3B-Instruct 上，适合只有一块 12 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-1B

kkt94 · 工具包

用一个 1.5B 的小模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-1B-Instruct 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.1-8B

kkt94 · 工具包

把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.1-8B-Instruct 上，用来回答关于视频片段的问题，适合做视频理解的人。

AADD

gertelrina · 工具包

每 20 毫秒检测语音录音中的 12 种音频劣化，比如噪声、混响、削波和编解码伪影。适合清理语音数据集和审查录音。

Llama-V-JEPA-LM-Qwen3-8B

kkt94 · 工具包

用一个 9.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-8B 上，适合有 24 GB 以上 GPU 的人。

Ming-3.0-tts-0.5B

inclusionAI · 工具包

把文字转成七种语言的语音，包括中文和英文。它能用一段短音频复制声音，按描述设计新声音，并控制情绪、语速、音高和音量。

VoxCPM2

openbmb · 工具包

用 30 种语言和九种中文方言朗读文字，输出 48 kHz，可根据文字描述设计新声音，也能从一小段音频克隆声音。这是面向开发者的开放 2.3B 文字转语音模型。

Uniformer_video_demo

Andy1621 · 工具包

一个 Gradio 演示，用 Andy1621/uniformer 模型给短视频打标签，带三段示例视频。适合想在浏览器里试用视频分类的人。

d3-turbo: beyond one question at a time

vllm-sr · 工具包

一个展示 d3-turbo 的网页，这个模型读一次图片、视频片段或文本，就能一起回答关于它的许多问题，页面有场景和五个实时演示。适合工程师和研究者。

Kokoclone

Stevensayer7 · 工具包

用你提供的一段短参考音频克隆出的声音朗读输入的文字，支持八种语言。它在笔记本 CPU 上就能运行，适合语音助手原型、旁白和演示。

OmniVoice Azerbaijani TTS

hugging-apps · 工具包

朗读阿塞拜疆语文本，可以用自动声音、从一小段参考音频克隆的声音，或用文字描述的声音。适合使用阿塞拜疆语的开发者和创作者。

LeapTalk

hugging-apps · 工具包

把一张人像照片和一段语音变成口型同步的说话人头像视频，是 LeapTalk 模型的演示，适合研究者、开发者和创作者。

Audioldm Text To Audio Generation

dimaiklov · 工具包

在 Gradio 页面里，用 AudioLDM 模型把一段文字描述变成音频片段。适合想试用文字生成音频、又不想自己配置模型的创作者和开发者。

DuplexJev Speech to Decisions

adventists-ai · 工具包

读取一段语音，一次计算就返回关于它的十个判断，如话轮状态、插话和情绪，不做转写。适合语音智能体开发者和语音研究者。