AIニュース

ComfyUI-Bxbは、ComfyUIワークフローをワンクリックでミニプログラムに変換する「SD収益化ツール」です。ミニプログラム開発者向けに特別に設計されており、迅速な収益化を可能にします。ComfyUI-Bxbの主要機能は、ComfyUIワークフローをWeChatミニプログラムに変換することです。

Transfusionは、Metaが開発した最新のテキストと画像の融合のためのマルチモーダルAIモデルです。Transfusionは、言語モデルによる隣接予測と拡散モデルを組み合わせることで、単一のトランスフォーマー上で混合モーダルデータを処理します。

RAGFlowは、高度な文書理解と強化された生成機能を備えたオープンソースのRAG（検索拡張生成）エンジンです。OCRと文書解析に基づいた次世代RAGエンジンです。RAGFlowは独自の…

StyleShotは、追加のトレーニングなしにあらゆるスタイルをあらゆるコンテンツに転送できるオープンソースのAI画像スタイル転送モデルです。スタイル認識エンコーダーを通じてスタイル特徴を抽出し、スタイルとコンテンツの融合エンコーダーを強化します。

IMAGDressingは、ファーウェイがテンセントと提携して開発した、AIを活用した服の着替えツールです。IMAGDressingを使うと、ユーザーはモジュール式に服を生成し、仮想環境で試着することができます。プロジェクトページには、自動化されたワークフロー、コード例などが掲載されています。

NextChatはNext.jsとVercelをベースにしたオープンソースプロジェクトで、ChatGPTなどの大規模なAIモデルをWebアプリケーションに統合できます。NextChatはすぐに使えるコードベースを提供するだけでなく、ワンクリックでの統合もサポートしています。

DistriFusionは、高解像度拡散モデルのための分散並列推論フレームワークです。分散並列推論により、複数のGPU上で高解像度画像の生成を大幅に高速化します。DistriFusionはパッチを利用し、

Still-Movingは、DeepMindが開発したAI動画生成フレームワークで、特定の動画データを必要とせずにテキストから動画への変換（T2V）モデルをカスタマイズできます。軽量な空間アダプタをトレーニングすることで、Still-Movingは静止画像から動画を生成できます。

AutoShortsは、AI技術を用いてワンクリックで顔のない動画を生成・カスタマイズできるオープンソースのAI動画作成・公開プラットフォームです。AutoShortsは、カスタムスクリプト、ナレーション、視覚効果をサポートし、YouTubeやTierに毎日新しい動画を自動的に公開します。

MARS5-TTSは、CAMB.AIが開発したオープンソースのAI音声クローンツールです。画期的なほどリアルな韻律を誇り、140以上の言語に対応しています。スポーツ解説やアニメーションのAIナレーションなど、複雑な韻律シナリオにも対応可能です。MARS5-TTSには、1つの言語と140以上の言語に対応しています。

HeadGAPは、ByteDanceと上海科技大学が共同開発した3Dアバター生成モデルです。少数の画像のみを使用して、リアルな3Dアバターを高速に生成します。大規模なマルチビュー動的データに基づいた、事前学習とパーソナライズされた作成フェーズのフレームワークを採用しています。

LMMs-Evalは、マルチモーダルAIモデル向けに特別に設計された統合評価フレームワークであり、モデル性能評価のための標準化された、広範囲を網羅した、費用対効果の高いソリューションを提供します。50以上のタスクと10以上のモデルを含み、透明性の高い評価を実現します。

MooERは、Moore Threads社が開発し、国内生産のフル機能GPUで学習させた、業界初のオープンソース音声理解モデルです。中国語と英語の音声認識だけでなく、中国語から英語への音声翻訳機能も備えています。

StockBotは、Llama3をベースにしたAI搭載の金融エージェントで、リアルタイムの株価情報、金融データ、ニュース、インタラクティブなチャートを提供します。株式、外国為替、債券、仮想通貨など、複数の資産市場に対応しています。ユーザーは自然な言葉で操作できます。

Imagine Yourselfは、Meta社が開発したパーソナライズされたAI画像生成モデルです。従来の手法の限界を打ち破り、ユーザーごとに個別に調整する必要性をなくし、単一のモードで多様なユーザーニーズに対応します。このモデルは…

BarkはSuno AIが開発したオープンソースのテキスト音声変換モデルで、リアルな多言語音声や音楽、背景雑音などの様々な種類の音声を生成するだけでなく、笑い声や泣き声といった非言語コミュニケーションもサポートしています。Barkは事前学習済みのモデルを提供しています。

eSearchは、スクリーンショット、OCR認識、検索と翻訳、画像貼り付け、画像検索、画面録画などの機能を統合した、オープンソースのクロスプラットフォームAIデスクトップアプリケーションです。eSearchはElectronフレームワークに基づいて開発されており、Linux、Windowsなどに対応しています。

Sapiensは、Meta Labsが開発したAIビジョンモデルで、画像や動画における人間の動きを理解することに特化して設計されています。2D姿勢推定、身体部位のセグメンテーション、深度推定、表面法線予測などのタスクをサポートし、視覚変換技術を活用しています。

TrackGoは、高度な制御可能なAIビデオ生成技術であり、自由形状のマスクと矢印を使用してビデオ内のオブジェクトの動きを柔軟かつ正確に制御するメカニズムをユーザーに提供します。この技術の中核はTrackAdapterです。

GPT Pilotは、人間の開発者のワークフローを模倣することで、アプリケーションをゼロから構築するのに役立つAIプログラミングツールです。ユーザーはコードを記述し、プログラムをデバッグし、ユーザーと問題について話し合い、コードレビューを依頼することができます。これはまさに...

GaussianEditorは、ガウススプラッティングに基づいた3D編集アルゴリズムであり、ユーザーが3Dシーンを迅速かつ正確に修正することを可能にします。ガウスセマンティックトラッキングと階層型ガウススプラッティングにより、高度な編集機能を提供します。

mPLUG-Owl3は、アリババが開発した高度な汎用マルチモーダル大規模モデルで、複数の画像ファイルや長時間の動画ファイルの理解と処理に特化して設計されています。精度を維持しながら推論効率を大幅に向上させ、2時間の動画をわずか4秒で分析することが可能です。

Lingoは、Westlake Xinchenが中国で初めて発表したエンドツーエンドの大規模音声モデルです。技術的には、リアルタイムでの割り込み、リアルタイムでのコマンド制御、超人間的な音声表現、歌唱や会話といった機能を備えています。中国語の音声表現はGPT-4oよりも優れています。

ShanHai Big Modelは、Unisoundが開発したマルチモーダルAIビッグモデルであり、豊富な知識リザーブとマルチモーダルなインタラクション機能を備えています。ShanHai Big Modelは、テキスト、音声、画像など様々な形式を通してユーザーとリアルタイムで対話し、情報を提供します。