支持图片数字人、视频数字人、双人数字人，支持说话+唱歌对口型、长视频、完整歌曲生成、批量生成、高清放大！

LiveTalking镜像提供实时交互数字人解决方案，支持ERNerf、MuseTalk、Wav2Lip，实现单张人脸照片驱动的超低延迟（<100ms）唇形同步、表情及头部运动控制。

本整合包将整合So-Vits-SVC4.1、DDSP-SVC-6.3/6.1/6.0、ReFlow-VAE-SVC多种SVC模型训练及推理

GPT-SoVITS V4 是 RVC-Boss 开源的极致低门槛 TTS/变声器，仅需 1 分钟干声即可训练高相似音色，支持中英日韩粤五语种零样本与跨语言推理

最新视频替换人物，MoCha-Preview 整合包，支持视频替换人物，卡通动漫效果更佳，支持添加批量任务, 支持高清修复

Aitoolkit汉化版，自适应UI方便手机端查看训练进度

智普开源GLM-4.7-Flash GGUF推理服务编程文本大模型API+webui开发构建by科哥

基于AI Toolkit，内置4090、48G及5090专属精调预设。告别复杂调参，只需加载对应JSON文件，即可解锁硬件最优性能，零门槛获得专家级训练方案。

V23版本的全面升级情感控制更好

NovaSR一个开源的音频超分辨率模型低音质转高清音质声音修复模型 webui开发构建by科哥

sinong南京农业大学开源面向通用农业领域的垂直8B32B全离线模型 webui开发构建by科哥

LiveTalking + GPT-SOVITS V2 + Ollama + FunASR 洛曦AI定制版，实时语音对话数字人 + 直播版数字人

谷歌最新开源MedGemma医学AI助手 问诊问病例查看CT拍片x光拍片病理答疑问 webui开发构建by科哥

Flux.2-Klein-9B-GGUF,局部重绘,文生图,图像编辑,多图编辑,自动提示词,批量任务，支持最新50系和计算卡

智谱开源图像生成和编辑模型

sora2视频二次高清工作流视频高清修复flashvsr工作流Comfyui工作流 构建by科哥

超强AI图片编辑，QwenEdit-2511合集，单图/双图编辑, 超强人脸一致性，精准涂抹编辑、无色差/位移，一键生成24张姿势图、九宫格分镜

黑森林团队开源的FLUX2-Klein多功能模型，生成速度快，编辑能力强！

谷歌最新翻译模型TranslateGemma支持全世界50多种语言的翻译文本多语言翻译 二次webui开发 构建by科哥

BananaMall一个 AI 驱动的电商详情页生成的ai工具结合谷歌nano banana谷歌香蕉模型 开发构建by科哥

全能图片生成与编辑

YOLO26

Alpamayo 1 是一个预训练推理模型，旨在加速自动驾驶（AV）领域的研发。

NotaGen基于 LLM 范式的高音乐性古典符号化音乐生成模型 二次开发构建by科哥

同时支持文生图与图生图。 文生图擅长精准文字渲染和理解复杂指令；图生图则涵盖图像编辑、风格迁移及人物/物体的主体一致性保持等丰富功能。

基于lightx2v框架加速的视频、图片生成服务，快速生成视频图片，基于模型wan2.2、qwen-image、z-image

本镜像高度集成 Wan 2.2 视频生成环境，预装社区领先四套核心工作流，融合 DaSiWa 高保真与 Remix 逻辑优化，提供一站式 T2V 文生视频与 I2V 图生视频解决方案。

双官方流程全覆盖：同时支持 ComfyUI 官方 LTX 工作流示例 + Lightricks 官方 ComfyUI-LTXVideo 自定义节点与全部示例工作流

voice pro给视频做多语言配音翻译克隆特定视频声音 直译视频声音本地化 汉化构建by科哥

AutoAnimation短剧漫剧自动化工具及配套ComfyUI包含ZImage、qwen、wan2.2、TTS

支持LTX-2 scail wan2.2系列

LTX2官方训练器的lora训练支持，内置模型t2v，小白可以一键运行，也可以根据官方文档进行进阶操作

ltx-2全能lora运镜comfyui工作流文生视频图生视频一键运行 构建by科哥

阿里通义千问开源最强图像模型，强大的文字渲染能力，强大的图像编辑能力

实现将ai视频生成速度提升百倍！基于wan2.1，wan2.2

nano banana谷歌香蕉在线绘画在线改图修改图片模型香蕉模型

【音谷官方】音谷对应的API

基于wangp的LTX-2，WebUI版

开源版Veo3！LTX2-视频生成合集，文生视频、图生视频、视频人物配音+口型同步、直出1080P，高清细节放大、提示词增强、支持线条+深度+姿势控制！

LTX-2 是由 Lightricks 开源的 DiT 架构音频-视频基础模型，核心特点是：在同一个模型里同步生成视频与音频，超强提示词理解，支持多镜头脚本，关键词自动匹配视频风格，一键AI成片！

Voice Sculptor捏声音基于LLaSA和CosyVoice2的指令化语音合成语音模型 二次开发构建by科哥

LTX-2.0音画同步视频生成

Comfy二次元跑图生视频DaSiWa和vace跳舞

SenseVoice多语言语音识别情感识别系统 二次开发构建by科哥

音频声音识别系统

可从复杂的音频混合中分离出特定的声音

基于UNet模型抠图批量抠图 webUI一键抠图 构建by科哥

整合26年最新版本ComfyUI，已下载好常用图像模型，修改端口到7860方便管理界面一键启动

最强AI生成长视频，Wan2.2-SVI2Pro整合包！一次性生成一分钟视频，一次性生成30s分镜视频！

长视频系列升级 不仅仅是SVI2 pro 长视频、LongCat数字人

Qwen 2512的Lora训练，内置模型，一键训练AI-Toolkit

banana-slides基于谷歌人工智能ai制作幻灯片ai制作ppt制作幻灯片 构建by科哥

集成千问图像2512模型+QwenVL3图像视频反推API+最强放大SeedVR2多合一工作流，Comfyui-v0.7.0

magic-tryon图片视频虚拟试装换装模特换衣

sora2文生视频图生视频工作流comfyui无卡模式在线sora使用独一份

图文创作神器一句话一张图片生成小红书图文

需要80gb显存运行该项目

内含deepmd机器学习力场训练水分子，gromacs调用运行例子

内含ch4简单例子，也可用来训练自己的模型，3080ti版本

HY-Motion1.0腾讯混元开源的文本到3D动作生成模型 汉化构建by科哥

wan2.1-scail动作迁移

这是一个集成了 Qwen-Image-Edit-2511模型与 AI Toolkit 训练框架的预配置环境，旨在支持用户高效微调出具备精准图像编辑、风格迁移及多主体一致性能力的定制化 LoRA 模型。

支持23个国家的语言声音克隆

字节跳动、北京交通大学联合推出的端到端唇形同步框架。Latent Sync利用稳定扩散和TREPA的力量，为动态和逼真的视频生成提供精确的高分辨率唇形同步。

SDXL及系列衍生模型训练，内置WD打标编辑，任意C站模型导入，小白也能轻松上手，AI-Toolkit

高质量文生图、图生视频。适配40系和50系显卡

StoryMem基于wan2.2逐镜脚本生成高连贯电影级1分钟多镜头叙事视频 二次开发构建by科哥

此版本镜像，5090、4090、3090、3080Ti等系列显卡可用，P40显卡不可用

ComfyUI学习版镜像_torch-2.7.1，高性价比镜像，可开P40显卡，5090显卡勿用，会报错

qwen-image工作流合集

语音合成模型+训练lora训练器

Qwen-2511和Z图像的Lora训练AI-TOOLKIT

将任意视频一键转第一人称视角视频

2s出图，超级快。注意！本镜像需要部署在50系列显卡上。

单图片转换动画视频数字人视频动作模仿器

实时数字人系统，直播室直接生成分身，低延迟

图片编辑模型 一致性更加好 中文支持更好

Doc的打标器，支持 Qwen3vl及 API 调用

超强AI音色克隆，VoxCPM-V1.5，支持超长文本生成、批量生成，支持音色保存、多音字修改、语速调节，速度超快！

Kohya_ss完美环境，内置WD14模型免下载，修复依赖报错，开箱即用。

一键训练SVC模型，支持上传压缩干声文件，训练完成发送提醒，一键清空训练环境，追求的就是高效率

ComfyUI2025.12整合包

数字人-语音克隆-wan2.2视频换人换装-Qwen-Image-Edit2509整合包

ComfyUI云端整合包2512 支持Z-Image 混元1.5，新增到63个插件，带文件管理系统

内含我所有自制的comfyui节点和工作流，轻松使用nanobananapro和Sora2

一个基于Wan2GP的图像编辑与动作迁移视频生成的WebUI项目

这是一个超快的AI视频生成工具，1分钟就能把图片变成短视频，速度是普通AI的200倍。

该镜像集成开源高性能分子动力学模拟软件，通过强化多精度算法与GPU并行加速（支持NVIDIA/AMD显卡）实现纳秒级生物大分子运动模拟，优化AI辅助建模与超大体系计算效率，提供跨平台开箱即用解决方案

VoxCPM1.5的雨落版整合包

此版本内置 （Wan2.2\Flux\Kontext)系列的全部基础模型及工作流

专为AI绘画设计的开源结构化提示词生成工具

预装完整 Kohya_ss 环境及 25GB Flux Dev/FP8 核心模型（含T5/CLIP/VAE），无需配置和下载，开机上传素材即可开始训练。

最强长视频数字人:LongCat-Avatar尝鲜版，其他热门生图、视频也都备好了！

实现身份永续、动作自然的数字人生成

AI数字人LongCatAvatar，超强口型+表情+姿势效果，支持长视频！

SHARP–苹果开源的3D场景生成AI模型图片转3d模型

智谱开源的语音识别语音转文本声音转文本模型

Rosetta

零门槛，零剪辑经验，让视频创作成为一句话的事

ai小说ai在线写作系统ai智能写作系统

ai-toolkit炼丹炉（汉化版）

智谱开源的AI文本转语音模型支持声音克隆GLM-TTS 语音合成系统 二次开发构建by科哥

最快千问生图方法,顶配1秒1张

next-ai-draw-io

一键图片生成3D模型,输出glb和obj格式,带贴图和法线,自动脱底

让阿里wan模型的视频生成速度提升200倍

cosyvoce3阿里最新开源声音克隆应用普通话粤语英语日语方言更加精准情感丰富 二次开发构建By科哥

cp2k-v2025.2

CosyVoice3,多音字控制,音色保存,接口API调用,流式接口,音频降噪

换装-换模特-换姿势-换背景-打光-放大-模特图生视频-全流程

Nemotron 3系列是NVIDIA推出的开放模型家族，包含开放权重、训练数据和训练配方，旨在为构建专业化AI智能体提供领先的效率和准确性。

DeePMD-kit-v3.1.2

lammps

流式实时音频驱动头像生成，无限长度

使用最新的ai大模型结合中国传统命理系统开发 可以无卡模式运行这个项目

支持 109 种语言 擅长识别文本、表格、公式和图表

可控且富有情感表达的零样本TTS

数字人视频生成/Digital Human Video Generation

Open-AutoGLM是由智谱AI在2024年10月推出的开源手机操作智能体框架

AutoGLM-Phone-9B一键启动镜像

内置多种基础模型，快速开启comfyui体验

AI图片ZImage模型训练，一键启动WebUI、无需配置

专注图片细节放大工作流

美团龙猫开源图像模型，包含LongCat-Image文生图和LongCat-Image-Edit图像编辑

z-image-turbo lora炼丹炉ai-toolkit lora模型训练器

一键批量生成 一键打包下载视频

PaddleOCR在线webui文字文稿识别多种识别pdf文字识别 二次开发构建by科哥

LongCat 是美团开源的双语图像生成与编辑模型，具备高效写实表现、强中文渲染与精准一致性编辑能力，在开源领域表现领先。

面壁智能开源语音克隆 全新1.5版本

全新VoxCPM1.5B，增强长音频输出稳定性

MSST-WebUI音乐音频分离器背景音乐音频分离器n合一

facefusion3.5.0离线全部模型最新TensorRT加速官方原版图片换脸视频换脸高清图片 构建By科哥

基于微软 VibeVoice 的实时语音合成

Qwen-Edit 2509，qwen-edit和z-image的Lora训练DiffusionPipe

语音驱动数字人、支持生成超长语音

最新视频动作迁移，SteadyDancer整合包！南京大学&腾讯开源，支持视频动作迁移，支持长视频、批量队列生成、高清放大

SAM 3提出的PCS任务从根本上突破了这一限制，模型需要检测、分割并追踪输入图像或视频中所有符合该概念的实例。

Fay数字人3.1.1最小可运行版。fay是一个帮助数字人（2.5d、3d、移动、pc、网页）或大语言模型（openai兼容、deepseek）连通业务系统的mcp框架。

娱乐AI，唱歌跳舞，一应俱全

人物，商品，背景，随心所欲替换。

Z-Image是一个拥有6B参数的强大且高效的图像生成模型。

去闪长视频SteadyDancer动作迁移

Ovis-Image阿里开源文本生图像大模型在线webui体验版

基于wan2.1UltraVideo生成高质量超高清1k到4K视频

vLLM项目团队推出了vLLM-Omni框架，这是一个专门为全模态模型设计的高性能推理系统，旨在将vLLM在文本推理领域积累的性能优势，扩展到包含图像、音频、视频在内的完整多模态生态。

阿里ZImageTurbo图片生成整合包，图片真实感、细节全面提升，支持批量生成、SeedVR2高清放大，支持NSFW, 最低6G显存可用！