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。

EasyAnimate是阿里云人工智能平台PAI自主研发的DiT-based视频生成框架，它提供了完整的高清长视频生成解决方案，包括视频数据预处理、VAE训练、DiT训练、模型推理和模型评测等

今天分享的 ClearerVoice V4版 ，根据部分会员建议制作了GUI界面，并新增了批量处理功能，支持 “语音增强、语音分离、语音超分辨率和音视频说话人提取 ” 四大功能批量处理，使用和之前的WebUI完全一样。它能帮你处理各种“脏乱差”的音频，让语音听得更清楚、更干净。ClearVoice 就是让“听不清”变成“听得清”的AI神器，不管你是普通用户想清理一段录音，还是开发者要做语音产品，都

同样支持WebUI和ComfyUI两种模式，WebUI支持简单的文生图和图像编辑，ComfyUI支持更多功能，比如图像理解、思考模式。图像生成支持多种模式，比如image_modes设置为interleave，设置提示词，可生成连贯的图文画本，interleave_max为生成的图片数量。双击启动，根据需要选择文生图频或图像编辑，不上传图像即为文生图（上传图像即为图像编辑），输入提示词，设置相关参

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