HumanTOMATO

文本驱动的全身动作生成系统

HumanTOMATO 全身动作生成文本驱动 H²VQ 层次化GPT Github 开源项目

研究提出了一种新的文本驱动全身动作生成任务，通过给定的文本描述生成高质量、多样且连贯的面部表情、手势和身体动作。HumanTOMATO 通过使用 Holistic Hierarchical VQ-VAE 和 Hierarchical-GPT 确保动作生成与文本的精确对齐。实验显示，该模型在动作生成质量和文本匹配度上有显著优势。

访问官网

Github

介绍相关项目

tango - 利用扩散模型和大语言模型实现先进的文本到音频生成

GithubTango人工智能开源项目文本转音频生成潜在扩散模型音频生成

Tango是一个创新的文本到音频生成模型,结合了潜在扩散模型和大语言模型技术。该模型使用冻结的Flan-T5作为文本编码器,训练UNet扩散模型生成音频。尽管训练数据集较小,Tango的性能仍可媲美最先进模型。Tango 2版本通过在Audio-alpaca数据集上的DPO对齐训练进一步提升了生成质量。项目开源了模型代码和预训练权重,为音频生成研究提供了有价值的资源。

PoseGPT - 基于对话的3D人体姿态理解和生成模型

3D人体姿势ChatPoseGithubSMPL人工智能对话多模态大语言模型开源项目

ChatPose是一个用于理解和推理3D人体姿态的多模态大语言模型。它支持用户通过自然语言对话询问人体姿态相关问题，并能从图像和文本描述中推断3D人体姿态。该模型以SMPL格式输出姿态参数，并生成对应的3D人体网格模型。ChatPose为3D人体姿态研究和应用提供了新的探索方向。

speech-driven-animation - 语音驱动的端到端面部动画合成模型

GithubSpeech-Driven Animation人脸合成开源项目深度学习视频动画语音驱动

Speech-Driven Animation是一个开源项目，实现语音驱动的端到端面部合成模型。该项目根据输入图像和音频生成面部动画视频，支持GRID、TIMIT和CREMA等预训练模型。通过API可输入自定义音频和图像，输出同步动画视频。项目还提供音频和视频编码器，可用于特征提取和分类任务。

Make-Your-Video - 结合文本和深度信息的智能视频生成模型

AI模型GithubMake-Your-Video开源项目深度学习视频生成计算机视觉

Make-Your-Video是一个结合文本和深度信息的视频生成模型。它继承了图像潜在扩散模型的丰富视觉概念，支持长视频推理。该模型可将真实场景和3D建模场景转化为视频，并支持视频重渲染。相比其他方法，Make-Your-Video在视觉质量和动作控制方面表现优异，为视频创作提供了新的可能性。

ttts - 创新多语言语音合成技术的突破性进展

AI模型GithubTTSVQVAE声音合成多语言支持开源项目

TTTS_v4是一个开源的多语言语音合成项目，通过创新的'细节'建模方法改进了传统VQ技术。该项目现已支持中文、英文、日语和韩语，并具有扩展性。TTTS_v4整合了tokenizer训练、VQVAE训练和GPT语音合成技术，旨在生成高质量的自然语音。此外，项目还提供模型微调功能，适用于多种语言场景和个性化需求。

MotionCLR - 人体动作生成与编辑，基于注意力机制实现训练无关的操作

AI工具MotionCLR注意力机制编辑能力自注意力机制运动生成

MotionCLR通过理解注意力机制实现人体动作的生成和编辑，无需训练条件。其模型结合自我注意力与交叉注意力，提供灵活的动态编辑功能，包括动作强调、替换及基于示例的生成。实验结果显示其在生成和编辑能力上表现卓越，并具备良好的解释性。

VITA - 开源全模态交互语言模型

GithubVITA人工智能多模态大语言模型开源项目自然语言处理语音识别

VITA是一款开源全模态语言模型，实现了视频、图像、文本和音频的综合处理。其特点包括全模态理解、无唤醒交互和音频中断交互，显著提高了用户体验。通过创新的状态令牌和双工方案，VITA提升了多模态交互体验。在多项基准测试中，VITA展现出优秀性能，为多模态AI研究和应用开辟了新途径，有望推动相关技术的发展。

text-to-video-ms-1.7b - 多阶段扩散模型实现文本到视频的智能转换

GithubHuggingfaceModelScopediffusion modeltext-to-video人工智能开源项目模型视频生成

text-to-video-ms-1.7b是一个基于多阶段扩散模型的文本到视频生成系统。该模型可将英文文本描述转化为匹配的视频内容,由三个子网络组成,总参数约17亿。支持长视频生成,适用于多种创意应用场景。目前仅支持英语输入,且存在无法生成清晰文本等局限性。该模型仅供研究用途,使用时应注意避免生成不当或有害内容。

DreamWaltz - 基于文本生成3D可动画化虚拟形象和场景

3D动画头像DreamWaltzGithubNeRF人体姿态开源项目文本生成3D

DreamWaltz是一个文本驱动的3D可动画化虚拟形象创建框架，结合了预训练2D扩散模型和人体参数模型。通过优化可变形NeRF表示，该框架能从骨骼条件下的扩散监督中学习，实现3D一致性和对任意姿势的泛化。DreamWaltz不仅可以生成单个可动画化虚拟形象，还能构建复杂场景，实现虚拟形象与物体、环境及其他虚拟形象的交互。

DressCode - 基于文本指导的3D服装自动生成框架

3D服装生成AI设计DressCodeGithubSewingGPT开源项目文本引导

DressCode是一个创新的文本驱动3D服装生成框架。该系统结合GPT架构和稳定扩散模型,能够根据自然语言描述自动生成服装缝纫图案和物理渲染纹理。DressCode不仅简化了服装设计流程,还为数字人物创作和虚拟试衣等应用开辟了新的可能性。与现有方法相比,DressCode在生成质量和输入提示一致性方面表现突出,为服装设计和数字内容创作领域提供了新的解决方案。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号