Классический веб-интерфейс для Stable Diffusion: генерация картинок из текста, доработка, апскейл и тысячи расширений от сообщества.
Все репозитории
Голос, видео, мультимодальностьQwenLM
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
- Попробуй демо на Hugging Face или Qwen Chat (ссылки в шапке README).
- Скачай веса из коллекции Qwen3-VL на Hugging Face.
- 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
+1766 сент. — 5 окт.
Описание автора
Qwen3-VL is the multimodal large language model series developed by Qwen team, Alibaba Cloud.
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.