Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

一个模型搞定视频+音频+口型! 你看到的这个就是 LTX 刚刚发布的 LTX-2 开放权重大模型, 这个模型可以文生视频或者图生视频, 这个模型最大的特点是在保证了画质和一致性的同时, 可以生成音频! 而且音频和口型完全适配! 并且说话人神态也非常棒! 模型大小是 19B, 相当可用! 演示视频是我用 HuggingFace Zero GPU 生成的 demo, 10秒视频大概需要5分钟左右生成时间. 我测试目前来看最大的优点就是口型和声音生成得非常好, 并且一致性很高. 指定人物使用什么样的银色就能稳定生成. 当然模型也有不足之处, 主要是还是偶尔能看到模型生成人物皮肤的那种油腻感. 当然官方的 pro 版本在这点上处理的更好, 并且 pro 版本支持4K分辨率输出, 当然 pro 版本是没有开源的.

karminski3's profile picture

karminski-牙医

37,769 subscribers

19,836 görüntüleme • 8 ay önce •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了
0:20

Flux3真的很强！ 终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里 主打图像、视频、音频和动作预测的统一架构。 它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力 开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

huangserva

28,605 görüntüleme • 2 ay önce

现在图生视频都在5秒或10秒，10秒的看上去像5秒的慢放，这个无论是在开源模型还是闭源模型上都有类似效果。尤其对于商业闭源视频来说，如果花费一倍以上的成本生成的10秒视频却只是5秒的慢放版，那就显得太不划算了。这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供 这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供大家参考。 #女s #les #女仆 #AI视频
0:25

Sensitive content

现在图生视频都在5秒或10秒，10秒的看上去像5秒的慢放，这个无论是在开源模型还是闭源模型上都有类似效果。尤其对于商业闭源视频来说，如果花费一倍以上的成本生成的10秒视频却只是5秒的慢放版，那就显得太不划算了。这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供 这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供大家参考。 #女s #les #女仆 #AI视频

獨自懵逼

20,065 görüntüleme • 1 yıl önce

LTX-2 Model：：开源版Veo3 19B参数的视频模型，能同时生成视频和音频，支持文生视频和图生视频。 模型： 提示词文档：
0:20

LTX-2 Model：：开源版Veo3 19B参数的视频模型，能同时生成视频和音频，支持文生视频和图生视频。 模型： 提示词文档：

Gorden Sun

14,390 görüntüleme • 8 ay önce

仅次于Suno V5.5的音乐模型就这么悄默声的开源了。 Minimax开源MiniMax-Music3，效果非常非常非常好的AI音乐模型。最长可以生成5分钟长度的歌曲，而且可控性非常强，能通过提示词编排歌曲结构、人声、节奏、歌词等各个方面细节。 Minimax先开源了视频模型H3，再开源音频模型Music3，把家底都给开源出来了。 下方视频是我生成的音乐。 模型： 在线体验：
2:19

仅次于Suno V5.5的音乐模型就这么悄默声的开源了。 Minimax开源MiniMax-Music3，效果非常非常非常好的AI音乐模型。最长可以生成5分钟长度的歌曲，而且可控性非常强，能通过提示词编排歌曲结构、人声、节奏、歌词等各个方面细节。 Minimax先开源了视频模型H3，再开源音频模型Music3，把家底都给开源出来了。 下方视频是我生成的音乐。 模型： 在线体验：

Gorden Sun

56,789 görüntüleme • 1 ay önce

2. ClipZap AI 简介-这是一个能将文本和图像转换成视频的人工智能视频生成器，只需点击一次。 →使用市场上最强大的人工智能视频生成模型。
0:21

2. ClipZap AI 简介-这是一个能将文本和图像转换成视频的人工智能视频生成器，只需点击一次。 →使用市场上最强大的人工智能视频生成模型。

美酱AI

37,052 görüntüleme • 1 yıl önce

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.
1:26

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.

karminski-牙医

14,175 görüntüleme • 9 ay önce

国产视频生成框架！能让老黄唱野狼 Disco！ 大模型竞技场速报！17小时前发布的 国产 人类视频生成框架—— OmniHuman-1！ （一定要开声音看这个视频才震撼！） 这个模型的突破有： 1. 首次实现单模型支持音频/视频/文本/姿态任意组合生成视频，突破现有方法只能单一模式的限制。
1:16

国产视频生成框架！能让老黄唱野狼 Disco！ 大模型竞技场速报！17小时前发布的 国产 人类视频生成框架—— OmniHuman-1！ （一定要开声音看这个视频才震撼！） 这个模型的突破有： 1. 首次实现单模型支持音频/视频/文本/姿态任意组合生成视频，突破现有方法只能单一模式的限制。

karminski-牙医

185,812 görüntüleme • 1 yıl önce

很多朋友问视频是怎么做的？ 声音是用CosyVoice3模型 图片是用Krea2模型(商业模型用GPT Image2效果更好) 视频是用LTX2.3模型（商业模型用SeeDance2.0） 原视频分析：claude code + fable5完成的一套工作流，然后调用grok cli（能白嫖额度，而且做一些大胆点的提示词也不受限制：你懂的） 最后用hyperframe+remotion重新组成全篇渲染
0:40

很多朋友问视频是怎么做的？ 声音是用CosyVoice3模型 图片是用Krea2模型(商业模型用GPT Image2效果更好) 视频是用LTX2.3模型（商业模型用SeeDance2.0） 原视频分析：claude code + fable5完成的一套工作流，然后调用grok cli（能白嫖额度，而且做一些大胆点的提示词也不受限制：你懂的） 最后用hyperframe+remotion重新组成全篇渲染

huangserva

80,311 görüntüleme • 2 ay önce

大模型终于能一口气生成5分钟视频了? 来自复旦, 南京大学等几所大学的研究员发布了新的多模态可控超长视频世界模型 LongVie 2, 这个模型最大的特点是可以生成长达5分钟的视频. 该模型基于 Wan 2.1 魔改, 实现了一个个三阶段流水线, 包括多模态引导,针对输入帧的退化感知训练和历史上下文引导 从而达到了输出3至5分钟的连贯视频.其核心是优先保证因果一致性，而非简单的帧预测.
0:47

大模型终于能一口气生成5分钟视频了? 来自复旦, 南京大学等几所大学的研究员发布了新的多模态可控超长视频世界模型 LongVie 2, 这个模型最大的特点是可以生成长达5分钟的视频. 该模型基于 Wan 2.1 魔改, 实现了一个个三阶段流水线, 包括多模态引导,针对输入帧的退化感知训练和历史上下文引导 从而达到了输出3至5分钟的连贯视频.其核心是优先保证因果一致性，而非简单的帧预测.

karminski-牙医

24,831 görüntüleme • 9 ay önce

惊艳！这个真的太有用了！！！ 做过视频的人才知道！这个有多么刚需！！ 各种生成式模型发展到现在，其实一直有一个痛点没有很好的解决！ 即便是最强大的Seedance2.5模型，能够带来稳定的画面表现， 但是要想得到比较好的画面音效，可能并不容易， 更糟心的是，如果生成一条视频，画面很棒但音效有瑕疵！ 除了大量抽卡，或者靠后期优化，基本没有其他办法！ 万万没想到，Pika居然针对视频音效出了新模型！这需求洞察力真是绝了！ 这次 Pika 一口气发布了 4 款 Audio Models，主打 least expensive，生成更快，成本更低，我对比了一下，常见声音模型里，价格几乎最低！ 我觉得最实用、也最好玩的就是Video-to-audio，上传一段视频，它会根据画面内容自动生成（或补全）相匹配的环境音、音效、音乐甚至是人物配音。 下面这个视频就是一段30秒的无声视频，然后用Pika Soundtrack 直接生成的音效音轨，我特意用了一段声音要求比较复杂的画面，不光要壁炉的柴火声，还要小猫的叫声和呼噜声，以及窗外的雨声，更重要的还要表现出声音之间的层次和空间关系，最后的成片真的完成度很高！！ 如果几个模型搭配着用，还能一次搞定BGM+音效+旁白。 这简直让AI生成内容的可控性上升了好几个level！
0:43

惊艳！这个真的太有用了！！！ 做过视频的人才知道！这个有多么刚需！！ 各种生成式模型发展到现在，其实一直有一个痛点没有很好的解决！ 即便是最强大的Seedance2.5模型，能够带来稳定的画面表现， 但是要想得到比较好的画面音效，可能并不容易， 更糟心的是，如果生成一条视频，画面很棒但音效有瑕疵！ 除了大量抽卡，或者靠后期优化，基本没有其他办法！ 万万没想到，Pika居然针对视频音效出了新模型！这需求洞察力真是绝了！ 这次 Pika 一口气发布了 4 款 Audio Models，主打 least expensive，生成更快，成本更低，我对比了一下，常见声音模型里，价格几乎最低！ 我觉得最实用、也最好玩的就是Video-to-audio，上传一段视频，它会根据画面内容自动生成（或补全）相匹配的环境音、音效、音乐甚至是人物配音。 下面这个视频就是一段30秒的无声视频，然后用Pika Soundtrack 直接生成的音效音轨，我特意用了一段声音要求比较复杂的画面，不光要壁炉的柴火声，还要小猫的叫声和呼噜声，以及窗外的雨声，更重要的还要表现出声音之间的层次和空间关系，最后的成片真的完成度很高！！ 如果几个模型搭配着用，还能一次搞定BGM+音效+旁白。 这简直让AI生成内容的可控性上升了好几个level！

沐阳

20,131 görüntüleme • 1 ay önce

基于藏师傅 PPT Skill 的讲解视频生成 Skill，差不多搞定了！ Codex 配合远程控制不在家也可以一键产出视频内容 可以用非常低的成本保证视频内容的可用性和表现力 这里的视频是我随便找了一个徒步文案一次生成的。 主要的内容用前端生成，只有配音和部分分镜使用音频和Seedance 2.0 模型
2:06

基于藏师傅 PPT Skill 的讲解视频生成 Skill，差不多搞定了！ Codex 配合远程控制不在家也可以一键产出视频内容 可以用非常低的成本保证视频内容的可用性和表现力 这里的视频是我随便找了一个徒步文案一次生成的。 主要的内容用前端生成，只有配音和部分分镜使用音频和Seedance 2.0 模型

歸藏(guizang.ai)

21,925 görüntüleme • 4 ay önce

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google
0:44

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google

karminski-牙医

12,374 görüntüleme • 3 ay önce

兄弟们，这个数字人工具感觉不错 我刚安装好，正在体验 一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。 这个一个安装包，然后下载模型即可，很容易上手 可以生成带有数字人的视频，并且保持嘴型和声音是同步的。 支持语音合成和声音克隆 支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。 可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。
0:20

兄弟们，这个数字人工具感觉不错 我刚安装好，正在体验 一个安装包即可解决所有问题，非常适合小白用户，以往的开源数字人工具都需要自己配置环境什么的，对小白很不友好。 这个一个安装包，然后下载模型即可，很容易上手 可以生成带有数字人的视频，并且保持嘴型和声音是同步的。 支持语音合成和声音克隆 支持Windows\Linux和macOS 支持模型：比如 MuseTalk（文本到语音）和 CosyVoice（语音克隆）。 可以很方便地导入各种 AI 模型，界面支持中英文，关键还是开源的。

小互

41,028 görüntüleme • 1 yıl önce