UnivNet — нейронный вокодер, преобразующий мел-спектрограммы в аудиоволну для конвейеров синтеза речи.
Подходит для: синтез речевой аудиоволны из мел-спектрограммы · озвучивание спектрограмм, созданных TTS-моделью · построение конвейера синтеза речи с вокодером
Производная модели google/diffusiongemma-26B-A4B-it. Мультимодальная модель Google DeepMind на базе Gemma 4, которая быстро генерирует текст и анализирует текстовые, графические и видеовходы.
Подходит для: ответы на вопросы по изображениям и видеокадрам · извлечение текста из документов и изображений с помощью OCR · разбор PDF, графиков и снимков интерфейсов
Дистиллированная конверсия Lightricks/LTX-2.3 в формате Diffusers для генерации видео по изображению с синхронизированным аудио.
Подходит для: создание видео на основе исходного изображения · анимация изображения с синхронизированным звуком · генерация коротких видеосцен из визуального референса