「diffusion」に関するオープンソースプロジェクト

テキスト、画像、音声、動画、アクションを生成する全モダリティ対応モデルを実行できる、vLLMを拡張したサービングフレームワーク。

Megatron-LMとtorch-nativeバックエンドを基盤に、NVIDIA GPUとKunlun XPUでLLM、VLM、拡散モデル、身体性モデルを学習するためのフレームワーク。

600以上の言語に対応し、音声クローンと音声デザインも可能なオープンソースの多言語ゼロショットTTSモデル。

テキストから楽曲をローカル生成できるオープンソースモデル。編集、カバー生成、LoRA学習にも対応。