LTX-2.3 — диффузионная аудиовизуальная модель Lightricks для создания видео и синхронизированного звука, в том числе по изображению и текстовому запросу.

Подходит для: создание видеоролика по исходному изображению · генерация видео по текстовому описанию · создание клипа с синхронизированным аудио

Набор моделей Whisper в формате Core ML для локального распознавания речи и транскрибации на устройствах Apple Silicon.

Подходит для: локальная транскрибация аудиозаписей на устройствах Apple · преобразование речи в текст в приложениях для Apple Silicon · распознавание речи без отправки аудио на сервер

LTX-Video — диффузионная модель Lightricks для генерации видео по изображению и текстовому описанию.

Подходит для: создание видеоролика на основе исходного изображения · анимация статичного изображения по текстовому промпту · генерация реалистичных визуальных сцен для творческих проектов

LTX-2 — диффузионная аудиовизуальная модель Lightricks для создания видео по изображению или текстовому запросу с синхронизированным звуком.

Подходит для: создание видео на основе исходного изображения · генерация видеоролика по текстовому описанию · создание коротких видео с синхронизированным аудио

Дискретный токенизатор Boson AI, который кодирует и восстанавливает речь, музыку и звуковые события в компактном представлении с частотой 25 кадров в секунду.

Подходит для: сжатое кодирование аудиозаписей · восстановление речи из дискретных аудиотокенов · кодирование музыки для последующей генерации или анализа

Объединённая сборка MiniMax H3 с турбо-адаптерами и INT8-квантизацией для генерации видео по тексту, изображениям и референсам в ComfyUI.

Подходит для: создание короткого видео по текстовому описанию · анимация изображения с сохранением заданного содержания · генерация видео по референсным кадрам

Набор LoRA-адаптеров Alibaba PAI для улучшения генерации видео Wan2.2-Fun по оценкам предпочтений HPS v2.1 и MPS.

Подходит для: повышение соответствия сгенерированного видео человеческим предпочтениям · генерация видео по текстовому описанию с подключённым reward LoRA · эксперименты с оптимизацией качества видео через HPS v2.1

Вариант LTX 2.3 для создания видео из изображения с управляемыми движениями и подробным текстовым описанием сцены.

Подходит для: создание короткого видео на основе исходного изображения · анимация персонажа с заданными движениями и изменениями позы · генерация видео по подробному сценарию и описанию движения камеры

Предиктор Veda ускоряет генерацию видео и аудио на базе MiniMax-H3, пропуская большую часть малозначимых вычислений внимания.

Подходит для: ускорение генерации видео по текстовому запросу · ускорение генерации видео со стереозвуком · сокращение времени генерации длинных роликов

CLAP от LAION сопоставляет аудио с текстовыми описаниями для классификации звуков без примеров и поиска аудио по тексту.

Подходит для: классификация звуков по заданным текстовым меткам без дообучения · поиск аудиозаписей по текстовому описанию · сопоставление звука с набором возможных описаний

Audiobox Aesthetics — модель Meta для автоматической оценки эстетических характеристик речи, музыки и других звуков.

Подходит для: оценка качества записи речи · оценка эстетических характеристик музыки · оценка качества звуковых эффектов

Конверсия Whisper small в формат CTranslate2 для распознавания речи из аудио, в том числе с помощью faster-whisper.

Подходит для: транскрибация русскоязычных аудиозаписей · расшифровка многоязычных интервью и встреч · преобразование аудио в текст в приложениях на CTranslate2

Перепакованные файлы HunyuanVideo для ComfyUI, используемые для генерации видео по тексту и изображению.

Подходит для: генерация видеоролика по текстовому описанию в ComfyUI · создание видео на основе исходного изображения · подключение весов HunyuanVideo в рабочий процесс ComfyUI

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других звуков в реальном времени.

Подходит для: сжатие речи при низком битрейте · сжатие и передача музыки · восстановление аудио после кодирования

Дообученная Wav2Vec2-модель для распознавания японской речи в аудио с частотой дискретизации 16 кГц.

Подходит для: транскрибация японской речи из аудиозаписей · распознавание японской речи в голосовых сообщениях · создание текстовых расшифровок японских аудиоматериалов

Kokoro-82M — компактная многоязычная модель синтеза речи с несколькими голосами для локальных приложений и сервисов.

Подходит для: озвучивание текста в приложениях · создание аудиоверсий статей и документов · генерация речи для голосовых интерфейсов

Дообученная модель Tune-A-Video для генерации видео в современном диснеевском стиле по текстовым запросам.

Подходит для: создание видео с медведем, играющим на гитаре · генерация анимационных сцен с персонажами и музыкальными инструментами · создание стилизованных видеоклипов по текстовым описаниям

Дообученная на польской речи модель wav2vec2 для преобразования аудиозаписей в текст.

Подходит для: транскрибация речи на польском языке · распознавание польской речи в аудиозаписях с частотой 16 кГц · подготовка текстовых расшифровок для материалов Common Voice

LTX-2.5-Diffusers — веса модели Lightricks для генерации синхронизированных видео и аудио по тексту и визуальным условиям.

Подходит для: генерация видео по текстовому описанию · создание видео по изображению или видеореференсу · генерация синхронизированного звука и видео

MLX-версия многоязычной модели NVIDIA Parakeet-TDT-0.6B-v3 для распознавания речи и транскрибации аудио.

Подходит для: транскрибация аудиозаписей на поддерживаемых языках · преобразование русской речи в текст · распознавание речи в диктовке

OmniVoice — многоязычная модель преобразования текста в речь с клонированием голоса и настройкой его характеристик.

Подходит для: озвучивание текста на разных языках · клонирование голоса по короткой аудиозаписи · создание голоса по заданным характеристикам

Модель распознаёт индонезийскую, яванскую и сунданскую речь и преобразует аудио в текст.

Подходит для: транскрибирование записей на индонезийском языке · распознавание яванской речи · распознавание сунданской речи

Модель wav2vec2 для преобразования арабской речи в текст, дообученная на Common Voice 6.1 и Arabic Speech Corpus.

Подходит для: транскрибирование записей арабской речи · распознавание арабской речи в аудиофайлах · создание субтитров к арабским аудиозаписям

Ускоренная мультиязычная модель OpenAI для распознавания речи и перевода аудио в текст.

Подходит для: расшифровка аудиозаписей на разных языках · субтитры и текстовые расшифровки видеозаписей · перевод речи на английский язык