新Qwen2-VL
Qwen2-VL是一个基于自然语言处理（NLP）技术的语音到文本（Voice-to-Text）和文本到语音（Text-to-Speech, TTS）转换工具，旨在提供高质量的语音转换服务。
排序
新Whisper-Medusa Whisper-Medusa
一款基于Whisper模型的优化版语音识别工具，通过多解码头技术显著提升处理速度
新Kimi-Audio
开源音频基础模型 开源的音频基础模型，擅长音频理解、生成和对话，适用于多种音频处理任务。
新Step-Audio
阶跃开源的130B语音模型 一款强大的开源语音交互模型，能够实现语音识别、对话生成、情感克隆和多语言支持，为用户提供高质量的实时语音交互体验。
新阶跃星辰Step-Audio2mini
最强开源端到端语音大模型 阶跃星辰发布的Step-Audio2mini是一款开源的端到端语音大模型，能够实现语音理解、音频推理与生成的统一建模。
新PramaLLC背景消除网络BEN2
高效精准的图像与视频背景移除工具 一款深度学习模型，专门用于从图像和视频中快速移除背景并提取前景。
新ClipSketch AI ClipSketch AI
把B站/小红书视频一键变成手绘分镜并自动生成爆款文案的开源神器。
新昆仑万维Skywork R1V
全球首个开源多模态推理模型 全球首个开源的工业界多模态推理模型，具备强大的视觉链式推理能力，能够高效处理复杂的视觉和文本任务。
新SignLLM
多语种手语生成模型 SignLLM 是全球首个多语种手语视频生成模型，能够将文本或语音指令实时转化为手语视频，为听障人士提供沟通新方式。
新LeKiwi
低成本移动操作机器人 低成本移动操作机器人，旨在为机器人爱好者和研究人员提供一个易于组装和使用的平台。
新WebAgent
自主搜索AI智能体 WebAgent是由阿里云通义实验室开源的自主搜索AI智能体项目，旨在模拟人类在网络环境中的感知、决策和行动循环，通过自主搜索和多步推理处理复杂、模糊的网络任务。
新NVIDIA
Blackwell 架构 NVIDIA 推出的最新一代高性能计算架构，专为加速人工智能和高性能计算而设计。
新INFP
音频驱动的双向对话交互式头部生成框架 INFP是一个音频驱动的交互式头部生成框架，能够在双向对话中动态合成具有逼真面部表情和节奏性头部姿态动作的代理视频。
新字节推文生图框架 InfiniteYou
个性化图像生成新体验 一款创新的图像生成工具，能够根据用户的文字描述生成高质量的个性化图像，并且在更换场景和内容时精准保留用户的身份特征。
新DisPose
可控人像动画技术 DisPose 是一种可控制的人体图像动画方法，它通过运动场引导和关键点对应来提高视频生成的质量。