优云智算镜像社区 - 海量AI模型一键部署

开源版Sora2发布，LTX-2.3整合包合集，支持文生视频、图生视频、数字人！支持20s视频、1080P视频直出、批量队列生成、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。

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！

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

MiroFish一个ai预测系统数据模型预测ai系统 构建by科哥

完美复刻视频主体动作

MatAnyone2,视频图片一键去背,换背景,智能提取前景主体,支持GPU和纯CPU推理,绿幕生成器

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

一键翻唱神器

sora2,veo3,grok3视频谷歌香蕉2工作流comfyui支持无卡省钱模式

内含我所有自制的comfyui节点和工作流

indexttsV1.5支持api调用，deepspeed推理加速，专门适配AI直播助手

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

LTX2.3Lora训练支持Musubi-tuner

本镜像专为AI语音直播项目打造，也可以直接在线推理webui使用，集成IndexTTS-2/VoxCPM1.5/Qwen3TTS, 支持API调用，直播带货，在线克隆，语气语调自然，音色还原度高

Faster-Qwen3-TTS,流式接口API,实时推理,速度1比0.5,多人对话,智能多音字,4G显存可用,批量任务,支持超长文本,支持50系显卡,支持老显卡

Fish-Speech-S2-Pro-4B,接口api使用,支持62种语言,文本指令,文字转语音,声音克隆,zero-shot

音乐生成工具，应用简单

集成文生图、图生图、ControlNet 控制、提示词优化、放大增强等全员破限工作流。

集成 FlashVSR / GIMM / LTX-2 / SeedVR2 的 ComfyUI 视频增强镜像，一键批量补帧、放大、细节修复。

LTX-2.3-GGUF-图片数字人-无限时长,更好的一致性,8步采样,支持50系,自定义分辨率,自动补帧,自动提示词,批量任务队列

LTX-2.3-GGUF-图生视频-无限时长,更好的一致性,8步采样,自定义分辨率,自动补帧,自动提示词,批量任务队列

大模型微调部署测评全流程环境已安装

漫剧全能助手

Aitoolkit汉化版，自适应UI方便手机端查看训练进度

FireRed-ImageEdit-V1.1-GGUF,局部重绘,图像编辑,4步采样,多图编辑,支持50系,自定义分辨率

基于 LTX-2.3 的音视频一体生成模型镜像，支持文生视频、图生视频等常见生成方式

Z-Image 模型一站式训练 & 推理-None_Z-trainer

Wan2.2-SmoothMixV20-SVI2-VBVR,图生视频,无限时长,自动补帧,8步采样,无须手动复制粘贴节点,,支持批量任务,Comfyui

diffusion-pipe+ai-toolkit

Qwen3-4b-Z-Image-Engineer,文生图,图生图,洗图,6G显存可用,局部重绘,自动提示词,支持50系,批量任务队列

SoulX-FlashTalk数字人视频图片生成ai数字人说话数字人 webui二次开发 构建by科哥

RFantibody

OpenClaw 2026.3.2版本，支持飞书、Telegram接入，支持优云智算模型API

SoulX-FlashHead-图片数字人,支持贴回全身数字人,低配版InfiniteTalk,唱歌数字人,支持长视频

将小说文本自动转换为短剧视频，只需几个简单步骤即可完成从文字到视频的创作

sora，veo3，grok3，seedance2，香蕉2等等可以接入制作短剧！

Toonflow一款AI短剧创作工具将小说自动转化为剧本生成 AI 图片和视频的平台 构建by科哥

qwen3.5

这个镜像内置 Wan2.2 两套增强技术：UnifiedReward 让文生视频更好看、更符合偏好，VBVR 让图生视频动作更合理、更符合逻辑。

Qwen3-ASR-1.7B,语音转文字字幕,视频转字幕,支持50系显卡,批量任务,支持热词控制

life学员专用数字人镜像

Huobao Drama 是一个基于 AI 的短剧自动化生产平台，实现从剧本生成、角色设计、分镜制作到视频合成的全流程自动化

Comfy漫画上色DasiWa视频支持自由拉取C站模型更新等

超快视频替换背景Video-BGR

SVC Fusion-api服务端

HeyGem数字人最新Onnx优化版,多人同时驱动,多人指定面部驱动,接口API调用,支持50系,面部超分,推理速度1比1,唱歌数字人,批量任务

Doc的打标器，支持 Qwen3vl及 API 调用

Ming-omni-tts-0.5B,接口API调用,支持超长文本,情感控制,中英混读,支持50系显卡

FireRedASR2S语音识别转文字语音转文本音频转文本模型ai系统 二次构建开发 by科哥

Wan 2.2、SCAIL、SteadyDancer、OneToAll 和VACE_Skyreels_V3_R2V的“五合一”整合镜像

YOLO模型训练

AudioX 统一音频生成平台通过一段提示词一段视频推理一段配音音效 webui汉化构建by科哥

HunYuan-MT-7B-abliterated,40种多国语言无限制双向翻译,长文本翻译,字幕翻译,双语字幕,腾讯开源,不文明用语翻译

FireRed-ImageEdit,图像编辑,多图编辑,支持50系,自定义分辨率,自动提示词,批量任务队列,基于Comfyui

ACE-Step-1.5UI音乐生成和Lora训练

BitDance-14B自启动 WebUI 测试镜像：开箱即用、中文可用、512/1024 双分辨率支持，面向高效验证与稳定出图。

SoulX-Singer歌曲翻唱 带官方Midi编辑器完成精细翻唱编辑

Qwen3-TTS-AllinOne,多音字控制,英文数字发音纠正,批量任务,音色保存,接口API调用,支持超长文本,语速调节,文字转语音,TTS

Penguin-Magic一个图片视频API在线生成的无限画布的批量生成工作流开源项目 构建by科哥 版权属于原作者

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

最快AI视频高清修复FlashVSR

SoulX-Singer,零样本变声器,AI歌曲翻唱,歌词修改,改歌词,语音内容修改

全面升级到torch2.10+cu130

专业级别的AI音乐制作项目

ACE-Step-1.5,AI歌曲生成,男女对唱,纯音乐生成

UltraShape-1.0

蚂蚁集团旗下具身智能公司灵波科技（Robbyant）正式开源了其世界模型 LingBot-World。这一消息发布后迅速登顶全球社交媒体热榜，引发了人工智能领域的广泛关注

最强AI生成数字人，InfiniteTalk官方版 v260209，支持图片数字人，支持超长视频、批量队列生成！

集成图片生成|视频生成|数字人|声音编辑|音乐生成！配套Comfyui批量管理生成软件到（B站）【AI绘视玩家】处获取~

自用！Comfyui2月最新整合包，含最新klein、Z-image全系、WAN全系、LTX2.0等

ACE-Step-1.5官方原版,修复吞歌词问题,音乐重构,音乐重绘,AI歌曲生成,男女对唱,纯音乐生成,相关竞品:DiffRhythm/yuE/HeartMuLa

包含了文生、图生、首尾帧、对口型 4 大类工作流，提供SFW/NSFW的完整体验

ROX Quant 3.0 - 量化投研系统可无卡模式运行 投资有风险交易须谨慎

Qwen3TTS推理镜像

InfiniteTalk数字人最新官方更新,上下文循环,一致性和速度优化,4步采样,高清放大,批量任务队列,基于comfyui,工作流

AutoAnimation短剧漫剧自动化工具及配套ComfyUI包含ZImage、flux2-kelin、qwenedit2511、wan2.2、qwen-tts、index-tts

用于建筑效果图的生成与编辑

多功能配音镜像,融合 indextts2.qwen3-tts音色克隆 HeartMuLa音乐生成,支持多角色配音、文本创音色、一键克隆、音乐一键生成，还有 AI 角色分配.基础音色库及多语言.方言配音

支持LTX-2 scail wan2.2系列

red-Z-Image-Base,15步采样,自定义分辨率,文生图,图生图,自动提示词,批量任务

Qwen3-ASR 系列包括 Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B，支持 52 种语言和方言的语言识别与语音识别（ASR）。

LTX-2-RapID-GGUF-图生视频-无限时长

LTX-2-RapID-GGUF-图片数字人-无限时长

从0到1，理解vllm的核心内容。包含注释讲解和使用实例，使用教程。帮助大家学习vllm

震惊！LTX-2开源视频模型，人人都能当导演？牛哥一键整合免费AI创作神器！

Sora2API：一个将sora账号转为API服务接口的免费开源系统

数字人-语音克隆-wan2.2视频换人换装-Qwen-Image-Edit2511整合包

LightOn-OCR-1B,图片和PDF文字提取,图文混排,实时生成MarkDown文档,MarkDown文档下载,支持PDF全量解析

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

最全图片编辑模型大全-qwen2511多角度工作流-flux2-klein-9b全图片编辑模型-z-image-base图片生成模型

Z-Image-Base的Lora训练同时支持FluxKlein-AI-TOOLKIT

支持主流模型lora训练

AI图片ZImage模型训练，一键启动WebUI、无需配置

ZImage Nunchaku版本，已经配置好nunchaku环境，可以直接启动使用comfyui+nunchaku zimage出图

2026最新ComfyUI整合包_图片·视频·声音

Z-Image-Base,35步采样,文生图,图生图,自动提示词,批量任务

一张照片制作一个角色一致性lora训练数据集

Z-Image是一个拥有6B参数的强大且高效的图像生成模型。

超强AI语音生成，Qwen3-TTS整合包合集！超强音色克隆、音色设计、情绪控制，支持音色保存、多音字、超长文本生成。支持批量上传多个文件生成！

阿里开源的Z-Image系列模型

DeepSeek-OCR 2 是 DeepSeek 团队开源的新一代 OCR 模型，该模型能够像人类一样带着逻辑去阅读文档。

内置多种基础模型，快速开启comfyui体验

镜像打通HeartMuLa音乐、Qwen3-TTS音色克隆、InfiniteTalk/LongCat长对话数字人与LTX2视频：写歌配音→照片开口→长时稳成片。

阿里千问开源的最新语音类模型，显存占用小，生成速度快，支持10种主流语言。

HeartMuLa-HL,支持中文提示词,无须标签式歌词,更自然的AI歌曲生成,开源版Suno

基于HeartMula和Qwen3TTS的歌曲生成与语音设计

Flux.Klein模型Lora训练AI-Toolkit

Qwen3-TTS-0.6B,推理速度1比0.5,音色保存,接口API调用,支持超长文本,支持50系显卡,语速调节,音频超分降噪,接入开源阅读,文字转语音,TTS

Qwen3-TTS-语音克隆工作流合集

Qwen3-TTS捏声音自定义声音tts语音克隆语音克隆声音flash_attn加速版Comfyui工作流版 构建by科哥

Qwen3-TTS-1.7B,Flash-Attn加速,音色保存,接口API调用,支持超长文本,语速调节,音频超分降噪,接入开源阅读,文字转语音,TTS

LightOnOCR-2高效的1B参数视觉语言模型用于OCR识别pdf转文本jpg转文本图片转文本 二次开发构建by科哥

LTX2模型Lora训练AI-Toolkit

HeartMuLa,AI歌曲生成,开源版Suno

HeartMula根据歌词生成音乐，根据画面生成音效

GLM-4.7-Flash

微软开源VibeVoice ASR TTS集合webui语音到文本 文本到语音模型 二次卡发构建by科哥

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

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

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

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

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

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