Классический веб-интерфейс для Stable Diffusion: генерация картинок из текста, доработка, апскейл и тысячи расширений от сообщества.
Все репозитории
Голос, видео, мультимодальностьOpenBMB
MiniCPM-V
Компактная мультимодальная модель, которая понимает изображения и видео и помещается на телефон или ноутбук. Есть демо в браузере и веб-демо для запуска у себя.
Кому подойдёт
Тем, кому нужно распознавание картинок и видео на слабом железе без облака.
Как начать
- Попробуй модель онлайн через демо на Hugging Face (ссылка в README).
- Скачай веса MiniCPM-V с Hugging Face (huggingface.co/openbmb).
- Чтобы запустить интерактивное демо у себя, открой раздел Web Demo Deployment в README.
Шаги взяты из README. Перед запуском сверься с актуальной версией в репозитории.
Звёзды за последние 30 дней
+2306 сент. — 6 окт.
Описание автора
A Pocket-Sized MLLM for Ultra-Efficient Image and Video Understanding on Your Phone
Ещё в категории «Голос, видео, мультимодальность»
Графический конструктор пайплайнов для диффузионных моделей: собираешь генерацию картинок, видео и аудио из узлов. Работает локально и умеет отдавать результат по API.
Эталонная модель распознавания речи от OpenAI: транскрибирует аудио на десятках языков, переводит речь и определяет язык.
Клонирование голоса по очень короткому образцу: минуты записи хватает, чтобы дообучить модель синтеза речи. Есть веб-интерфейс для разметки и обучения.
Whisper, переписанный на C/C++: быстро работает на обычном процессоре и на Mac, без Python и тяжёлых зависимостей. Удобно встраивать в приложения.
Модель синтеза речи, заточенная под живой разговорный диалог: умеет паузы, смех и интонации. Хороша для голосовых помощников и озвучки реплик.