Все репозитории

Qwen3-VL

Семейство мультимодальных моделей команды Qwen: понимают изображения, документы и видео, находят объекты на кадре и работают с интерфейсами.

Кому подойдёт

Тем, кто разбирает документы, скриншоты и видео с помощью открытых моделей.

Как начать

  1. Попробуй демо на Hugging Face или Qwen Chat (ссылки в шапке README).
  2. Скачай веса из коллекции Qwen3-VL на Hugging Face.
  3. Открой ноутбуки из раздела Cookbooks: распознавание, парсинг документов, OCR, привязка к объектам.

Шаги взяты из README. Перед запуском сверься с актуальной версией в репозитории.

Звёзды за последние 30 дней

+12921 окт. — 18 нояб.
20 09920 228

Описание автора

Qwen3-VL is the multimodal large language model series developed by Qwen team, Alibaba Cloud.

Классический веб-интерфейс для Stable Diffusion: генерация картинок из текста, доработка, апскейл и тысячи расширений от сообщества.

165 тыс.звёзд+196 за 28 дн.Python

Comfy-Org

ComfyUI

Растёт быстрее всех

Графический конструктор пайплайнов для диффузионных моделей: собираешь генерацию картинок, видео и аудио из узлов. Работает локально и умеет отдавать результат по API.

147 тыс.звёзд+4,8 тыс. за 28 дн.Python

openai

whisper

Эталонная модель распознавания речи от OpenAI: транскрибирует аудио на десятках языков, переводит речь и определяет язык.

113 тыс.звёзд+1,7 тыс. за 28 дн.Python

RVC-Boss

GPT-SoVITS

Клонирование голоса по очень короткому образцу: минуты записи хватает, чтобы дообучить модель синтеза речи. Есть веб-интерфейс для разметки и обучения.

65 тыс.звёзд+2 тыс. за 30 дн.Python

ggml-org

whisper.cpp

Whisper, переписанный на C/C++: быстро работает на обычном процессоре и на Mac, без Python и тяжёлых зависимостей. Удобно встраивать в приложения.

55 тыс.звёзд+615 за 27 дн.C++

2noise

ChatTTS

Модель синтеза речи, заточенная под живой разговорный диалог: умеет паузы, смех и интонации. Хороша для голосовых помощников и озвучки реплик.

40 тыс.звёзд+106 за 30 дн.Python