「diffusion-model」に関するオープンソースプロジェクト

画像内の文字描画とJSONレイアウト制御に強い、オープンソースの50億パラメータ・テキスト画像生成拡散トランスフォーマー。

テキスト、画像、音声、キャラクターの動きから動画を生成する、MoE対応のオープンソース動画生成モデル群。

Tencent Hunyuanのオープンソースモデル。参照画像とキーボードやマウスの入力から、操作可能なゲーム動画を生成します。

テキストからフル楽曲を生成し、カバーや部分修正、ステム分離もできるオープンソースのローカル音楽生成モデル。

FSDP2、Muon、Liger kernelsに対応し、vision-language・diffusion・MoEアーキテクチャを扱えるマルチモーダルモデル向けの統合学習エンジン。

14BのWan2.2-S2Vをベースに、実質無制限の長さでストリーミング生成できる、音声駆動のリアルタイムアバター動画生成フレームワーク。

テキストからデザイン全体を生成し、統合済みのデザイン画像を編集可能な透過レイヤーに分解する、オープンソースの60億パラメータモデル。