好部署：基于标准 Llama 架构，兼容 vLLM、SGLang、Ollama、llama.cpp、LM Studio 等主流工具，还有 GGUF、MLX 等量化版本，手机/电脑本地跑都很方便。MiniCPM5-1B 就是目前最强的小模型之一，专为“本地跑、不想依赖云端”的人设计，在体积和能力之间找到了很好的平衡，特别适合个人开发者、隐私场景和资源受限的环境。1B级别最强（SOTA）：在同等大小的

参数 2B（20亿）：基于 Qwen2.5 等大模型架构，结合了语义编码器、LLM（大语言模型）和流匹配（flow-matching）技术。零样本/少样本语音克隆：只需几秒钟的参考音频（甚至不需要对应文字），就能模仿出很像的说话人声音，支持“延续克隆”（带文字参考）和纯音色克隆。全连续、无离散 token：不像很多老模型那样把声音切成“碎片”处理，它全程用连续的音频信号处理，声音更自然、连贯，少了

因视频转写效率不如直接音频转写，故新增视频转音频功能，如果是视频文件，建议先将视频转换为音频，再进行转写操作。GLM-ASR 是智谱AI开源的一个语音识别模型，虽然体积小，只有1.5B的参数量，但识别速度快、准确率高，在中文和方言识别上表现非常突出，尤其擅长处理低音量、嘈杂环境下的语音，比很多同类模型更稳健。GLM-ASR 支持 17 种语言，包括日、英、法、德、俄、西等主流语言，甚至连加泰罗尼亚

支持最低4G显存显卡+16G运行内存设备流畅运行，基于ComfyUI-Nunchaku打包，模型使用的也是Nunchaku最新开源的 4-bit Z-Image-Turbo，独家新增Lora支持，集速度和生成质量于一身，可实现3-5秒快速生成图像，更快更轻巧的AI文生图。关于Rank，比如模型文件名开头的“svdq-int4_r128”，这里的 r就是rank的缩写，请根据自己的需求选择 (32=

因视频转写效率不如直接音频转写，故新增视频转音频功能，如果是视频文件，建议先将视频转换为音频，再进行转写操作。GLM-ASR 是智谱AI开源的一个语音识别模型，虽然体积小，只有1.5B的参数量，但识别速度快、准确率高，在中文和方言识别上表现非常突出，尤其擅长处理低音量、嘈杂环境下的语音，比很多同类模型更稳健。GLM-ASR 支持 17 种语言，包括日、英、法、德、俄、西等主流语言，甚至连加泰罗尼亚

Z-Image （又名Z-Image Base、Z-Image基础版）是Z-Image（造相）团队正式开源Z-Image标准版高性能图像生成模型，作为Z-Image系列的基础模型，标准版是非蒸馏的完整模型，在生成质量、风格灵活性和二次开发支持上更具优势，具备画质高、风格多样、对提示词理解精准等特点，相比加速版 Z-Image-Turbo，更注重创意自由和可扩展性。进入工作流后，输入提示词，设置生成

参数 2B（20亿）：基于 Qwen2.5 等大模型架构，结合了语义编码器、LLM（大语言模型）和流匹配（flow-matching）技术。零样本/少样本语音克隆：只需几秒钟的参考音频（甚至不需要对应文字），就能模仿出很像的说话人声音，支持“延续克隆”（带文字参考）和纯音色克隆。全连续、无离散 token：不像很多老模型那样把声音切成“碎片”处理，它全程用连续的音频信号处理，声音更自然、连贯，少了

参数 2B（20亿）：基于 Qwen2.5 等大模型架构，结合了语义编码器、LLM（大语言模型）和流匹配（flow-matching）技术。零样本/少样本语音克隆：只需几秒钟的参考音频（甚至不需要对应文字），就能模仿出很像的说话人声音，支持“延续克隆”（带文字参考）和纯音色克隆。全连续、无离散 token：不像很多老模型那样把声音切成“碎片”处理，它全程用连续的音频信号处理，声音更自然、连贯，少了

Ideogram 4 就像一个“懂设计”的AI 画师，特别擅长生成带文字、布局精美、颜色协调的专业级图片，适合设计师、创作者和开发者上手玩，降低了高品质图像生成的门槛。超强文字渲染：能在图片里直接生成清晰、美观的文字（如海报标题、logo、标牌、多行文字），效果目前在开源模型里最好，很多更大参数的模型都比不过它。进入页面后，点击左侧的 工作流程，选择对应的工作流，输入提示词，设置相关参数，运行即可

情感关键词包括 happy（开心）sad（悲伤）angry（愤怒）surprise（惊讶）fear（恐惧）disgust（厌恶）serious（严肃）concern（关切）blue（忧郁）disdain（轻蔑）neutral（中性/平静）psychology（心理活动）unknown（不指定情感）指令合成：上传参考音频，输入合成文本（支持在合成文本中插入副语言标签），支持情感关键词，支持方言（后期