Qwen-Multiple-Angles 是一款多角度生成的插件（LoRA），让你在编辑图片时，可以像摄影师一样精确控制“拍摄角度”，比如前视、侧视、俯视、仰视，还能选择远近距离。批量生成：上传需要生成的图像，选择模型（GGUF模型体积更小，效果比Diffusion差，适合笔记本用户），设置起始角度，即开始和结束的角度数值；单次生成：上传需要生成的图像，选择模型（GGUF模型体积更小，效果比Dif

它不只是生成一小段背景音乐，而是重点针对“完整歌曲”的生成，最长可以做到约 5 分钟，并且尽量保持歌曲前后风格、旋律、节奏和人声的一致性。，可以将它发送给大模型，比如DeepSeek，豆包，千问等，然后输入你需要的音乐风格和主题歌词，等待大模型完成，将生成的描述和歌词填入对应文本框即可。双击启动进入WebUI，输入音乐描述（比如风格、情绪、人声特点、乐器编排等等）和歌词，设置相关参数（时长等），运

此外，公司联合Mimic Robotics开发了适用于机器人领域的视频动作模型Flux-mimic，目前已在奥迪工厂开展生产任务测试。通过打破单一模态的信息局限，Flux3正加速推动AI向具备感知与行动能力的物理世界“世界模型”演进。在720p分辨率、10秒片段的早期测试中，Flux3展现出强劲竞争力，性能超越Luma Ray3.2（93%胜率）与Runway Gen-4.5(77%胜率)，并在与

OvisOCR2 是一款超级实用的文档识别（OCR）AI模型，你给它一张文档页面照片或扫描件（比如论文、合同、报告、表格、带公式的书页等），它就能一键按正常阅读顺序，输出干净的 Markdown 格式内容。端到端处理：不像传统 OCR 要先切图、再识别、再拼起来，它直接“看一眼整页”就输出完整结构，效果更自然、顺序更准。基于 Qwen3.5 开发，通过真实数据 + 合成数据 + 多阶段训练（SFT

你给它一张图片 + 一句普通话指令（比如“把这个人放到夜市里拍照”），它就会按照你的要求修改图片，同时尽量保持没让你改的部分不变，尤其是人物的长相、衣服细节、痣、皮肤纹理等都能很好保留。它不像一些通用AI那样只追求“像真照片”，而是特别擅长理解和控制各种艺术风格，让生成的图片更有创意、更漂亮、更符合设计师的审美。人物编辑建议 1024+个人创意/娱乐：把自己的照片（或AI生成的人物）放到各种场景中

想象一下：你给它一张照片（真人、动漫人物甚至动物），配一段录音（可以是中文或英文），再加点文字描述（如“一个女孩在咖啡店微笑说话”），它就能生成一段嘴巴同步说话、表情自然、全身动作稳定的短视频。相关参数设置页面有说明，视频时长由num segments控制，为（93/25）时长的倍数，具体换算为：93/25=3.7，num segments就设置为2，大概7秒左右，以此类推。支持单人和双人两种生成

副语言标签：Breathing（呼吸声）、Laughter（笑声）、Suprise-oh（惊讶-哦）、Confirmation-en（确认-嗯）、Uhm（嗯哼）、Suprise-ah（惊讶-啊）、Suprise-wa（惊讶-哇）、Sigh（叹息声）、Question-ei（疑问-诶）、Dissatisfaction-hnn（不满-哼）支持标签：[呼吸声]、[笑声]、[惊讶-哦]、[确认-嗯]、[思

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

CosyVoice 3 是阿里巴巴团队推出的一款新一代语音合成模型，它能在没有额外训练的情况下，用多种语言和方言生成自然、富有情感的语音，声音效果接近真人。CosyVoice 3 只需3秒录音，就能让你的声音无缝切换语种、方言与情绪——中、粤、日、英、开心、愤怒......9 种通用语言、18种方言，通通搞定！自然语言控制：上传参考音频，输入需要合成的文字内容，支持喜怒哀乐等多种情感控制，支持十几

近期，腾讯联合上海交通大学开源了一个可控视频生成框架：MimicMotion，类似阿里的全民舞王，只需要上传一张照片，然后再上传一段人物的舞蹈或者动作视频，就可以生成以照片中人物为原型的动作或者舞蹈视频了。