5月14日，腾讯旗下混元文生图大模型（下称：混元DiT，Scalable Diffusion Models with Transformers）宣布全面升级并对外开源，目前已在 Hugging Face 平台及 Github 上发布，包含模型权重、推理代码、模型算法等完整模型，可供企业与个人开发者免费商用。腾讯混元文生图负责人卢清林表示，混元DiT开源的价值有两方面，一方面这是业内首个中文原生Di

今天分享的是基于 HY-MT1.5-1.8B模型打包，体量适中（18亿参数），但翻译效果接近更大的商业模型，支持 33 种语言和多种方言，特点是速度快、质量高，还能在边缘设备上实时部署，非常适合跨语言交流和应用场景。模型保存在ckpts目录下，如不会使用命令下载的，可手动下载所有文件，在ckpts目录新建 一个目录，比如 HY-MT1.5-7B，将下载的模型和配置文件放置到该目录，启动软件后手动切

今天分享的是基于 HY-MT1.5-1.8B模型打包，体量适中（18亿参数），但翻译效果接近更大的商业模型，支持 33 种语言和多种方言，特点是速度快、质量高，还能在边缘设备上实时部署，非常适合跨语言交流和应用场景。模型保存在ckpts目录下，如不会使用命令下载的，可手动下载所有文件，在ckpts目录里新建 一个目录，比如 HY-MT1.5-7B，将下载的模型和配置文件放置到该目录，启动软件后手动

简单说，它就像一个“能克隆声音、能按描述造声音、还能像改文档一样改语音”的全能语音工具，特别适合需要高质量、多语言、可控语音的应用场景。支持24种语言（包括中文、英语、日语、韩语、阿拉伯语、西班牙语、俄语、泰语、越南语等），以及21种中文方言（如四川话、上海话、粤语、闽南话、河南话、湖南话等）。不需要参考音频，直接用自然语言描述想要的声音，例如：“一个年轻女性的温柔嗓音，语速稍慢，带一点俏皮”。语

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