I.10Видео, анимация и 3D

Yntec/stable-diffusion-v1-5 — версия Stable Diffusion 1.5 для генерации изображений по текстовому описанию, размещённая пользователем Yntec. Это модель для библиотеки Diffusers, сохранённая в формате safetensors: веса обрезаны, представлены в fp16, EMA отсутствует. Вариант рассчитан на инференс через API и предназначен для создания изображений по промптам; в сборку встроен Incredible World VAE. В README заявлено разрешение 768×768. Модель можно применять для создания иллюстраций, концепт-арта и стилизованных изображений по тексту. Репозиторий указывает лицензию CreativeML OpenRAIL-M; перед использованием следует ознакомиться с её условиями и ограничениями. README не приводит подробных оценок качества или систематических ограничений модели.

VINCIE — модель ByteDance-Seed для контекстного редактирования изображений, разработанная в рамках исследования обучения на видео. Она принимает изображение и контекстную последовательность из текста и ранее созданных изображений, чтобы выполнять многошаговое редактирование и создавать связанные изображения. В основе модели — блоково-каузальный диффузионный трансформер; обучение проводилось на задачах предсказания следующего изображения и сегментационных масок. Размер модели в карточке обозначен как 3B. Модель предназначена для редактирования изображений по контексту, композиции нескольких концепций, создания последовательности кадров или иллюстраций и цепочек последовательных правок. В README заявлены сильные результаты на двух бенчмарках многошагового редактирования, а также перспективные способности к композиции и сторителлингу. Репозиторий использует библиотеку VINCIE и формат PyTorch. Лицензия — Apache-2.0.

X-CLIP base с размером патча 16 — модель для понимания видео и текста, основанная на подходе CLIP и разработанная авторами работы Expanding Language-Image Pretrained Models for General Video Recognition. Эта версия обучена в few-shot режиме с K=2 на наборе HMDB-51. Модель сопоставляет видео с текстом и предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска видео по текстовому описанию и текста по видео. При обучении использовались 32 кадра на видео с разрешением 224×224; указана точность top-1 53,0%. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Оценка приведена для HMDB-51; модель обучена на небольшом числе примеров и может хуже работать на видео из других областей или при отличающейся предобработке.

Higgs Audio v2 Generation 3B Base — модель генерации речи и аудио из текста семейства Higgs Audio v2, разработанного Boson AI; репозиторий eustlb содержит её реализацию для Transformers. Модель предназначена для преобразования текстового ввода в аудио, включая выразительную речь и диалог с несколькими говорящими. В официальных материалах семейство описано как аудиомодель с генерацией речи; карточка этого репозитория автоматически создана и не уточняет поддерживаемые языки и лицензию. Метаданные указывают на плотную архитектуру HiggsAudioV2ForConditionalGeneration, около 3,2 млрд параметров, контекст 2048 токенов и формат safetensors. Модель использует конвейер text-to-audio; код Transformers загружает её через AutoModelForTextToWaveform. Карточка не сообщает точные языковые ограничения или лицензионные условия для этой копии.

Keye-VL-2.0-30B-A3B — мультимодальная базовая модель семейства Keye, разработанная Kwai-Keye. Это модель типа MoE с заявленным классом 30B и 2,6 млрд параметров в метаданных; она предназначена прежде всего для понимания видео, временной локализации событий и работы с длинными мультимодальными контекстами. Модель принимает изображения и видео вместе с текстовыми запросами и формирует текстовые ответы; поддерживает контекст до 262 144 токенов. Модель рассчитана на анализ длинных видео, ответы на вопросы по визуальному содержимому, поиск временных границ событий, распознавание текста и понимание диаграмм и таблиц. Карточка также заявляет возможности для программирования, вызова инструментов и поиска с опорой на веб, но каталог указывает интерфейс чата, а отдельная оценка этих сценариев в карточке не приведена. В README заявлены разреженное внимание DSA и эффективная обработка длинных последовательностей, а также результаты на бенчмарках видео и временной локализации. Модель распространяется под лицензией Apache-2.0. В метаданных указан английский язык; README не описывает полный перечень поддерживаемых языков. Заявленные результаты получены на бенчмарках и не гарантируют качество для произвольных видео или сценариев; выводы о содержимом могут быть ошибочными.

Krea2_Anything2RealCharacters — модель преобразования изображений на базе Krea2_Turbo, дообученная AIGC-Singularity. Она переводит 2D-иллюстрации, аниме и художественные изображения в фотореалистичный стиль, сохраняя черты персонажей и передавая детали лица, кожи, волос и освещения. Версия V3 выпущена как LoRA, что позволяет сочетать её с другими LoRA для Krea2, чтобы менять стиль фотографии и отдельные характеристики персонажа. Модель обучалась для работы с изображениями разрешением до 2048 × 2048 пикселей и поддерживает экспериментальный перенос идентичности с отдельного референсного изображения на стилизованного персонажа. Для этого сценария результаты могут меняться в зависимости от начального шума и соответствия изображений. Модель распространяется по лицензии Apache-2.0; для работы требуется совместимый базовый чекпойнт Krea2_Turbo и поддерживающий LoRA интерфейс, например ComfyUI.

SimianLuo/LCM_Dreamshaper_v7 — модель для генерации изображений по текстовому описанию, созданная методом дистилляции на основе Dreamshaper v7, дообученной версии Stable Diffusion 1.5. В README указано, что дистилляция заняла 4 000 итераций, около 32 часов на A100. Модель предназначена для быстрого вывода: в неё перенесено руководство classifier-free guidance, чтобы получать изображения за короткое время инференса. Модель рассчитана на генерацию изображений из англоязычных текстовых запросов и распространяется в форматах Diffusers, ONNX и Safetensors. Лицензия — MIT. Карточка не сообщает ограничений по разрешению или подробных требований к аппаратному обеспечению.

LLaVA-OneVision-2-8B-Instruct — мультимодальная модель для диалога с изображениями и видео. Основную работу над проектом ведёт Glint Lab. Модель использует языковую основу Qwen3-8B и визуальный энкодер в стиле OneVision; это плотная архитектура для генерации текста по визуальному контексту. Модель принимает одиночные изображения, несколько изображений и видео. Для видео доступны равномерная выборка кадров и дополнительный кодековый режим с упаковкой кадров в холсты, рассчитанный на более точную обработку длинных роликов при том же бюджете токенов. Чекпойнт предназначен для запуска через Transformers и поставляется с пользовательским кодом; для загрузки кода модели требуется включить trust_remote_code. Лицензия — Apache-2.0.

Qwen-Image-2.1-GGUF — это набор GGUF-квантизаций модели Qwen-Image-2.1, подготовленный пользователем abenzerps для локальной генерации изображений. Модель предназначена для сценариев text-to-image и image editing и рассчитана на использование в ComfyUI с расширением ComfyUI-GGUF. В репозитории также доступны совместимые текстовый энкодер Qwen3-VL 8B и VAE. Предлагаются варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 4,05 до 7,59 ГБ. Вариант Q4_K_M рекомендован как баланс качества и объёма. Текстовый энкодер доступен в форматах BF16 и Int8, а VAE — в BF16. README не указывает полный набор поддерживаемых языков, максимальный контекст или точные параметры архитектуры исходной модели. Сильная сторона сборки — возможность локального запуска при меньших требованиях к памяти благодаря квантизации и переносу текстового энкодера в системную RAM; для ускорения рекомендуется размещать диффузионную модель в VRAM. Ограничения включают необходимость ComfyUI, совместимого расширения и отдельных файлов энкодера и VAE, а также возможное снижение качества при использовании более агрессивной квантизации. В релизе отсутствуют встроенные фильтр безопасности и проверка содержимого, поэтому поведение зависит от запроса и окружения. Указана Qwen Research License. Сборка основана на Qwen/Qwen-Image-2.1, а текстовый энкодер и VAE взяты из Comfy-Org/Qwen-Image-2.1.

AEmotionStudio публикует зеркало весов Stable Audio Open 1.0 от Stability AI, дообученной модели генерации стереозвука по текстовому описанию. Репозиторий содержит веса в формате safetensors для использования с Diffusers и рабочей станцией Mæstræa AI Workstation. Модель предназначена для создания звуковых эффектов, эмбиентных текстур и музыкальных фрагментов: например, Foley, переходов, дождя, ветра, шума толпы, пэдов и многослойных звуковых сцен. Генерирует стерео с частотой 44,1 кГц длительностью до 47 секунд. Для работы требуется видеопамять: в README указано около 4 ГБ как минимум и около 7 ГБ для более длинной генерации в FP16. Модель плохо подходит для полноценных песен с вокалом, высокодетализированных музыкальных инструментов и синтеза речи. Указана Stability AI Community License; применяются её условия. В карточке это зеркало без ограничения доступа, но это не отменяет требований лицензии оригинальной модели.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft и представленная в работе Ni et al. Это базовая версия с патчами 16×16, обученная в few-shot режиме с двумя примерами на класс на наборе UCF101. Модель сопоставляет видео и текст с помощью контрастивного обучения и принимает видеокадры вместе с текстовым описанием.

Chatterbox Multilingual — открытая модель синтеза речи (TTS), разработанная Resemble AI и представленная в экспортированном формате ONNX сообществом onnx-community. Модель предназначена для преобразования текста в естественно звучащую речь, голосовых агентов, создания озвучки для видео, игр и мемов, а также для zero-shot клонирования голоса и voice conversion. Модель поддерживает арабский, датский, немецкий, греческий, английский, испанский, финский, французский, иврит, хинди, итальянский, японский, корейский, малайский, нидерландский, норвежский, польский, португальский, русский, шведский, суахили, турецкий и китайский языки. Указана архитектура с backbone на базе Llama размером 0,5 млрд параметров; обучение проводилось на 0,5 млн часов очищенных данных. Экспорт ONNX позволяет выполнять переносимый и быстрый вывод через ONNX Runtime на разных платформах. Для генерации доступны управление выразительностью и интенсивностью эмоций, а также опциональная водяная маркировка аудио. К сильным сторонам относятся широкая языковая поддержка, zero-shot TTS для английского языка, управление экспрессией и заявленная устойчивость генерации благодаря alignment-informed inference. Ограничения заключаются в том, что README не приводит подробных количественных характеристик качества, требований к ресурсам, ограничений по длительности контекста или сопоставимого качества для всех поддерживаемых языков; повышенная выразительность также может ускорять речь. Модель распространяется по лицензии MIT.

CyberIllustrious Semi-Real — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией cyberdelia. Модель относится к семейству Stable Diffusion XL (SDXL) и предназначена для использования с библиотекой Diffusers. Модель ориентирована на создание полуфотореалистичных изображений в стилях CyberRealistic и Illustrious, включая художественные и фотореалистичные сцены. Она подходит для генерации иллюстраций, концепт-артов и визуальных материалов по текстовым промптам. Лицензия модели — CreativeML Open RAIL-M.

soren127/Deliberate — модель генерации изображений по текстовому описанию, опубликованная пользователем soren127 на Hugging Face. Она предназначена для создания изображений по prompt в библиотеке Diffusers с использованием StableDiffusionPipeline. Модель содержит компоненты Stable Diffusion, включая U-Net, VAE, текстовый энкодер, токенизатор и планировщик. Её основная модальность — текст-в-изображение; пример применения в карточке модели показывает генерацию художественной сцены по текстовому запросу. Языки текстовых запросов и размер модели в доступных метаданных не указаны. Модель подходит для прототипирования генерации изображений, создания иллюстраций и визуальных концепций. Она распространяется по лицензии CreativeML OpenRAIL-M. Ограничения и специализированные области применения в карточке модели подробно не описаны.

fal-collab-models/dreamshaper-xl-1-0 — опубликованный на Hugging Face пайплайн Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит компоненты Stable Diffusion XL, включая два текстовых энкодера, UNet и VAE; пример загрузки использует StableDiffusionXLPipeline. Авторская карточка автоматически создана и не сообщает, кто разработал исходную модель. Модель предназначена для создания изображений по текстовым промптам. В примере Hugging Face показана генерация изображения по англоязычному описанию; сведений о поддерживаемых языках, контексте и лицензии в карточке нет. Репозиторий опубликован в форматах Diffusers и Safetensors.

Sa1i/gakki-mix-512-young — модель преобразования текстовых запросов в изображения на основе Stable Diffusion, опубликованная пользователем Sa1i. Репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors; карточка рекомендует использовать VAE. Модель предназначена для создания изображений по текстовому описанию. Лицензия CreativeML OpenRAIL-M; в карточке также указано, что коммерческое использование запрещено, как и использование для незаконных действий и целей.

Krea-2-Raw-GGUF — модель для генерации изображений по текстовому описанию, основанная на Krea-2-Raw и распространяемая в формате GGUF. Разработчик исходной модели — Krea; конкретный автор или особенности конвертации версии GGUF в предоставленных данных не указаны. Модель интегрируется с библиотекой Diffusers и предназначена для сценариев text-to-image, включая создание изображений с различными художественными стилями и визуальными эффектами. По примерам модель поддерживает генерацию сцен, персонажей, архитектуры и предметов в стилистиках от фотографии и аниме до импрессионистской живописи, пиксельной графики, монохромных изображений и низкополигональных 3D-моделей. В метаданных указан английский язык. Размер, точная архитектура, количество параметров, поддерживаемые модальности помимо text-to-image, максимальный контекст и требования к ресурсам не раскрыты. Сильной стороной является разнообразие демонстрируемых стилей и сюжетов, однако по README нельзя оценить качество, стабильность результатов и ограничения модели. Модель распространяется по лицензии krea-2-community-license; лицензия обозначена как other, а полный текст доступен по указанной в README ссылке. Условия коммерческого и иного использования следует уточнять непосредственно в тексте этой лицензии.

MOSS-VL-Realtime — потоковая модель OpenMOSS для понимания видео в реальном времени. Она принимает последовательность кадров с временными метками и генерирует текст параллельно с поступлением видео; пользователи могут задавать вопросы в любой момент потока, а модель — продолжать наблюдение, если данных пока недостаточно, и обновлять ответы при появлении новых кадров. Модель построена на архитектуре vision-language с cross-attention и XRoPE, объединяющей текстовые токены и визуальные патчи в координатах времени, высоты и ширины. Размер модели — 11 млрд параметров, контекст — 256 тыс. токенов; веса представлены в BF16 и safetensors. Предназначена для потокового анализа сцен, событий и их временного порядка. Карточка не приводит численных результатов бенчмарков. Лицензия — Apache-2.0.

OmniVoice-bf16 — конверсия модели OmniVoice от k2-fsa в формат bfloat16, опубликованная пользователем drbaph. Это плотная модель преобразования текста в речь на архитектуре diffusion language model; версия использует веса и активации BF16 вместо FP32, что примерно вдвое сокращает размер файлов и потребление видеопамяти при заявленной незначительной потере качества. Модель предназначена для многоязычного синтеза речи, генерации голоса по описанию и клонирования голоса без предварительного обучения на конкретном дикторе. В карточке заявлена поддержка более 600 языков, а метаданные перечисляют языки от болгарского до японского. Модель подходит для локальной генерации речи через OmniVoice, в том числе в ComfyUI; README также указывает на возможность использования через исходный интерфейс OmniVoice. Для ускоренной работы рекомендуется GPU NVIDIA с CUDA и нативной поддержкой BF16, доступной на Ampere и более новых поколениях; на CPU инференс поддерживается, но медленный. Репозиторий содержит формат safetensors и имеет лицензию Apache-2.0.

TangoFlux — модель генерации аудио по текстовому описанию, разработанная Declare Lab при поддержке Stability AI. Она принимает текстовый запрос и указание длительности, затем создаёт аудио с частотой дискретизации 44,1 кГц продолжительностью до 30 секунд. Модель использует блоки FluxTransformer на основе Diffusion Transformer (DiT) и Multimodal Diffusion Transformer (MMDiT). Она обучена генерировать аудио через rectified flow по латентным представлениям, полученным вариационным автоэнкодером, и прошла этапы предварительного обучения, дообучения и оптимизации предпочтений CRPO. Среди указанных обучающих наборов — WavCaps и CRPO. TangoFlux предназначена для быстрого создания аудио по текстовым запросам; заявленный акцент — соответствие сгенерированного звука описанию. README не сообщает лицензию модели, поэтому условия её использования по доступным данным определить нельзя.

Это модель VideoMAE для классификации видео, разработанная на основе shossain11/videomae-base-finetuned-inhard-finetuned-inhard2 и дополнительно дообученная на неизвестном наборе данных. Архитектура VideoMAEForVideoClassification содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для присвоения классов видеозаписям. В README приведены результаты оценки: accuracy 0,6987 и loss 1,1820; названия классов и состав оценочного набора не раскрыты. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Aesthetic ControlNet — модель для генерации изображений по текстовому запросу с управлением по входному изображению. Её разработали Erwann Millon и Victor Perez на основе ControlNet: признаки изображения извлекаются детектором границ Canny и используются для управления диффузионной моделью. Базовая модель — дообученная Stable Diffusion 2.1, обученная на разрешении 640×640; контрольная сеть основана на thibaud/controlnet-sd21. Модель подходит для создания эстетически ориентированных изображений, сохраняющих контуры и композиционные подсказки исходного изображения, например для преобразования эскизов или фотографий в изображения по текстовому описанию. Репозиторий содержит веса в форматах Diffusers и PyTorch, лицензия — openrail++. Результат зависит от качества текстового запроса и пригодности входного изображения для извлечения контуров Canny. Авторы предостерегают от генерации изображений, которые могут оскорблять, тревожить людей или закреплять стереотипы.

Anima Control — Pose (Preview-2) — адаптер управления позой для генерации изображений на основе Anima v1.0, разработанный авторами проекта Claquasse. Он принимает текстовое описание и карту скелетной позы, чтобы сгенерировать изображение, в котором персонаж следует заданному положению тела. Адаптер рассчитан на работу с ComfyUI и поддерживает разрешения 512, 768 и 1024 пикселя. Технически это Control-LoRA с конкатенацией каналов для замороженной DiT-модели Anima: VAE кодирует карту позы в пространственно выровненное управляющее латентное представление, а обучаемые ControlEmbedder и LoRA ранга 16 влияют на генерацию. Базовый трансформер, текстовый энкодер и VAE остаются замороженными; при нулевой силе управления адаптер не меняет результат базовой модели. Для извлечения позы из фотографии узел ComfyUI использует DWPose. По сравнению с первой версией адаптер обучен на большем наборе данных и лучше следует позам, особенно при 768 и 1024 пикселях. Он всё ещё экспериментальный: может пропускать позу, искажать тело или сливать пальцы; динамические положения менее надёжны, а короткие и расплывчатые запросы могут давать однообразный стиль. Требуется базовая модель Anima. Использование разрешено только в некоммерческих целях согласно лицензии базовой модели.

BK-SDM-Small-2M — компактная модель генерации изображений по текстовому описанию из семейства BK-SDM, разработанного авторами проекта BK-SDM. Это архитектурно сжатая версия Stable Diffusion с удалёнными блоками U-Net и дистилляцией знаний; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+. Модель предназначена для эффективного синтеза изображений по текстовым запросам и работает через библиотеку Diffusers. Увеличение обучающих данных по сравнению с предыдущим выпуском BK-SDM улучшает качество генерации и соответствие изображений запросам. В README приведены результаты оценки семейства на MS-COCO, но показанная строка относится к BK-SDM-Base-2M, поэтому её показатели нельзя напрямую приписывать версии Small. Модель распространяется по лицензии CreativeML Open RAIL-M; для использования следует соблюдать рекомендации Stable Diffusion v1.

Chatterbox-Turbo-TTS-8bit — модель синтеза речи, опубликованная сообществом mlx-community и преобразованная из ResembleAI/chatterbox-turbo для работы в формате MLX. Она использует архитектуру Chatterbox Turbo и 8-битную квантизацию GPT-2-основы T3, чтобы снизить потребление памяти при сохранении качества аудио. Для работы также требуются веса токенизатора S3TokenizerV2 из mlx-community/S3TokenizerV2, которые загружаются автоматически. Модель предназначена для преобразования текста в речь и запуска через библиотеку mlx-audio-plus на совместимой с MLX среде. В карточке указан английский язык. Данных о размере модели, длине контекста и конкретных настройках голоса в предоставленных источниках нет. Лицензия в источниках не указана.

emilianJR/CyberRealistic_V3 — версия модели Stable Diffusion в формате Diffusers, предназначенная для генерации изображений по текстовым запросам. Карточка предлагает загружать её через StableDiffusionPipeline из библиотеки diffusers и использовать как обычный чекпойнт Stable Diffusion. Модель принимает текстовый промпт и создаёт изображение. Репозиторий создан 24 мая 2023 года; файлы представлены в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов. В карточке не приведены сведения о размере модели, длине контекста и специальных ограничениях генерации. Качество результата зависит от формулировки промпта и параметров генерации.

akonukbay/FLUX.1-schnell-me — репозиторий модели генерации изображений по тексту, основанный на FLUX.1 [schnell] от Black Forest Labs; собственная карточка репозитория недоступна для проверки. Исходная модель — трансформер rectified flow с 12 млрд параметров, обученный с дистилляцией latent adversarial diffusion и рассчитанный на генерацию за 1–4 шага. Метаданные указывают на формат Diffusers и веса Safetensors. Модель подходит для быстрого создания изображений по текстовым запросам. Для базовой FLUX.1 [schnell] разработчик указывает лицензию Apache-2.0; условия именно этого производного репозитория отдельно не подтверждены. Известные ограничения базовой модели: изображения могут не соответствовать запросу, а следование промпту зависит от его формулировки; модель не предназначена для выдачи фактической информации.

MOSS-VL-Realtime — открытая мультимодальная модель команды OpenMOSS для понимания видеопотоков в реальном времени. Она принимает кадры с временными метками и текстовые вопросы, обрабатывает поток по мере поступления и формирует текстовые ответы, не ожидая окончания видео. Модель может отвечать на вопросы в произвольный момент, продолжать наблюдение при недостатке визуальных данных и корректировать ответы по мере появления новых кадров. Модель использует архитектуру vision-language с перекрёстным вниманием и позиционное представление XRoPE, объединяющее время и координаты изображения. Заявлены 11 млрд параметров и контекст 256 тыс. токенов. Поддерживаются сценарии потокового и обычного понимания видео, а также понимания изображений; карточка указывает английский и китайский языки. Репозиторий использует Transformers и формат safetensors. Модель дообучена на базе OpenMOSS-Team/MOSS-VL-Base и распространяется по лицензии Apache-2.0. Подробные результаты бенчмарков в карточке не приведены.

NextPhoto_v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; метаданные относят модель к семейству Stable Diffusion и указывают пайплайн text-to-image. Модель предназначена для создания изображений по текстовым запросам. README содержит только упоминание демонстрационных изображений первоначального автора, поэтому конкретные стилистические особенности и сценарии применения по карточке установить нельзя. Лицензия указана как other, без дополнительных условий в доступных данных.

misri/ntrMIXIllustriousXL_xiii — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем misri на Hugging Face. Репозиторий содержит конвейер StableDiffusionXLPipeline с текстовыми энкодерами CLIP, UNet, VAE и планировщиком EulerAncestralDiscreteScheduler. Модель предназначена для создания изображений по текстовым запросам и работает с библиотекой Diffusers. В карточке приведён пример генерации изображения по описанию; размер модели указан как 3 млрд параметров, веса — F16. Языки и специфическая область применения не заявлены. Лицензия указана как unknown, поэтому условия использования по доступным сведениям установить нельзя.