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

DeepSeek-R1-Distill系列模型--基于 Qwen2.5 和 Llama3 系列的 1.5B、7B、8B、14B、32B 和 70B 蒸馏模型

FusionX最全工作流合集，创建即用，AI视频生成这里都有

B站开源超强语音克隆，在情感表达和时长控制方面取得突破的自回归零样本文本合成系统

B站最新开源index-tts2声音克隆模型

cuda124-py310-torch2.7基础镜像版本

通过音频驱动的图片转视频生成软件，支持声音克隆功能

可以一次性合成4人的对话播客

主题风格一致，创意无限，配合lora

组合了图像生成、视频生成、数字人的面向培训师群体的ComfyUI

InfiniteTalk：用于稀疏帧视频配音的音频驱动视频生成。​​无限长度的对话视频生成​​，支持图像转视频、视频转视频。

HeyGem数字人优化加速版,GFPGAN面部超分增强,批量任务,修复多面部报错,推理速度1比2,唱歌数字人

在线AI翻唱SVC训练，本地般丝滑体验，支持上传压缩文件，支持网页端打包训练好的模型并下载，无需命令行，由网页端自动处理，支持一键清空训练缓存，追求的就是高效率

阿里开源音+图片+动作参考生成视频模型，Comfyui官方最终优化版工作流

最强AI高清修复-SeedVR2-图片和视频高清放大

Bunkws 是杭州国芯微自研的一款端到端唤醒词训练框架

高质量工作流，点开即可运行

创造属于你的AI短片

基于强大在线大语言模型的PDF文档翻译器

牛哥的专属ComfyUI大集合版本，功能持续扩充，点击即用

HunyuanWorld 3d世界生成系统 腾讯开源

最强AI视频配音-腾讯Hunyuan-Foley

将音频或视频文件语音识别转为文本文件或字幕文件

一张图片就可以生成3D glb模型

gen_backview bug 修复

Wan2.2 S2V 数字人 阿里通义千问出品 这是一个音频驱动的电影视频生成模型

根据一段文本或者视频，生成你的配音

一键视频配音，完美自动化

DelikeAI 应用镜像

HunyuanVideoFoley-能自动给视频配乐的AI模型

Wan2GP，高度优化的视频生成项目，支持Wan、Hunyuan和LTX等相关模型

一键运行优化版，开机自启动

AI换人术一键将跳舞视频主角变成你！（Stand-In + VACE + ComfyUI 镜像版）

musubi-tunner-wan2.2 lora 训练镜像，内置模型数据集

Wan2.2-图生视频-批量任务队列版本-自定义lora-自定义首尾帧

InfiniteTalk数字人,4步采样,无限时长,说话数字人,唱歌数字人,支持反推关键词,基于comfyui工作流

ComfyUI - qwen-image-千问合集

基于多视角多模态扩散模型的3D场景生成工具 支持图像到3D场景和文本到3D场景的生成

ThinkSound视频配音

支持批量任务队列,说话数字人,唱歌数字人,支持反推关键词,基于comfyui工作流

Wan2.2-S2V数字人，通过一张静态图片和一段音频（如说话或唱歌）自动生成高质量、口型同步的电影级视频。

用一张图片中人物替换视频中的人物主体

Qwen-Image-Edit-多图融合-面部一致性保持,基于comfyui工作流

用做训练Wan2.2文生视频或者/图生视频的 LoRA 模型

基于 ONNXRuntime、OpenVINO、PaddlePaddle 和 PyTorch 的超棒 OCR 多编程语言工具包。

QwenImage+Edit-WebUI-支持Lora

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

内置InternVL3-8B、GLM-4.1V-9B-Thinking、GLM-4.1V-9B-Thinking-bnb-4bit 一键启动API服务

快速打造你的3D游戏世界1.0，通过jupyterlab命令行运行生成3D游戏世界

infinitetalk，音频+图片参考、音频+视频参考工作流

模仿参考视频人物动作快速生成新的人物视频

最近Huggingface团队发布了超小多模态模型SmolVLM2，可以做到端侧1GB显存推理。作者尝试当前中文小模型扛把子Qwen3与SmolVLM2直接微调拼接的想法

ms-swift是魔搭社区提供的大模型与多模态大模型微调部署框架.

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

Gromacs-2025.0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

支持自定义Lora,AI图片编辑修改,支持反推提示词

Voice Changer 云端在线变声器

SD高质量CG绘画

ComfyUI版实现stable diffusion文生图高清放大人脸修复，直出4K

WAN 2.2极速性能优化​10工作流多任务视频生成套件

ComfyUI基础镜像纯净版0.3.50

MultiTalk数字人优化加速版本-2步采样，对精度有要求修改采样数为4或者8

Seed-VR2-7B,图片视频超清放大,人体细节部位放大,支持批量任务,初始化后，等待服务启动，大概2分钟，然后点击SD-WEBUI即可

ben2抠图webui在线抠视频除去图片视频背景神器绿幕抠图神器 构建By科哥

CosyVoice界面优化版 可以粤语、普通、英语、日语、四川话、天津话、上海话等声音克隆

DiffBIR一键图片老照片高清修复 汉化构建by科哥

最强人脸迁移生成视频Stand-In-支持批量生成

HeyGem数字人加速优化版，解决多脸型报错，解决没有脸报错,

一键进行修复图片

Magic-TryOn图片换装视频换装 构建by科哥

Wan2.2-图生视频-批量任务-自定义lora-自定义首尾帧

在conda环境下仅安装了LlamaFactory，以及llama.cpp，llama.cpp未编译，可用convert.py来导出gguf模型文件

基于livetalking二开，实现AI数字人功能，支持coze智能体工作流对接，功能更加强大！

一个github上的视频硬字幕去除项目

FramePack F1 牛哥加速版

秋叶丹炉lora-scripts1.12+Joy Caption 3原创可视化自动批量打标工具1.4版

Flux_Krea&Flux_Dev-loras,本镜像包含多个用于Flux的lora

Qwen-Image-蒸馏加速版,支持自定义Lora,支持批量抽卡,文字生成图片

MOSS-TTSD结合Qwen3-30B-A3B-Instruct-2507,自动生成完整语音播客(PodCast),初始化之后，等待服务启动，大概2分钟左右，然后点击 SD-WEBUI 按钮即可

EchoMimicV3：1.3B 参数即可实现统一的多模态和多任务人体动画

aitookit_wan21_t2v_lora_训练镜像,内置模型、数据集 cuda 12.6 pytorch 2.7

mega-tts3无须官方npy文件 几秒音频克隆情感一致的声音

comfyui万物迁移、万物移除、qwen-image、kontext整合包

最强AI生成图片-阿里QwenImage-批量生成图片

一步扩散实现细节丰富且时间一致的视频超分辨率

根据歌词，原音乐创作你的音乐。

jam在线歌词生成音乐音乐生成音乐构建By科哥

建筑模型 ComfyUI

HeyGem数字人加速优化版,支持唱歌数字人,批量任务, 部署后，等待服务启动，大概2分钟，然后点击 SD-WebUi

Wan2.2KJ氦气加速6步极速版唯一正版授权镜像——AI来事&龙没耳联合推出

OpenAI正式发布了其首个开源大语言模型系列——gpt-oss，这标志着自GPT-2以来OpenAI首次将其核心模型技术开源。gpt-oss系列包含两个主要版本：gpt-oss-20b和gpt-oss-120b，分别针对不同的应用场景和硬件配置进行了优化。

Qwen-Image文生图，支持SD-WebUI和Comfyui，10步采样，在图片上精准生成汉字，支持反推提示词

文生图，图片局部编辑，人物换装，图生视频，多功能文本配音，多功能数字人对口型。

HunyuanWorld 1.0 是由腾讯混元团队开发并开源的创新3D世界生成框架，它代表了计算机视觉和图形学领域的一项重大突破。该框架旨在解决现有3D世界生成方法中的局限性，通过融合基于视频的方法的多样性与基于三维几何方法的一致性，提供了一种新的解决方案1。 核心功能上，HunyuanWorld 1.0 提供了以下三大优势： 沉浸式体验：利用全景图像作为360°的世界代理，提供了全方位的沉浸式视觉体验。 工业级兼容性：支持将生成的3D场景导出为标准网格格式，可以无缝集成到现有的3D建模软件和游戏引擎中，如Blender、Unreal Engine和Unity等，增强了模型的实用性和灵活性。 增强交互性：采用解耦式的物体表示方法，实现了对场景中物体的单独编辑和交互，提高了用户的操作自由度和创造力。 在技术实现方面，HunyuanWorld 1.0 利用了先进的语义分层3D网格表征技术和两阶段生成范式，即首先通过一个特制的3D感知变分自编码器（VAE）来理解3D世界，然后使用扩散Transformer（DiT）进行创造性的3D世界构建。这种架构不仅能够从文本描述或图片输入中生成高质量的3D全景图，还能够处理复杂的场景分解与重建任务，从而确保生成世界的连贯性和细节丰富度15。 此外，HunyuanWorld 1.0 的应用场景广泛，涵盖了虚拟现实（VR）、物理仿真、游戏开发以及交互式内容创作等多个领域。其强大的功能和高度的兼容性使得它成为了推动这些行业发展的重要工具，预示着AI驱动的3D内容创作新时代的到来7。 综上所述，HunyuanWorld 1.0 不仅是一个技术上的飞跃，也是一个开启未来无限可能的关键里程碑，为创作者提供了前所未有的能力去探索和创建数字世界。

CosyVoice阿里云同义实验室开源的AI声音克隆应用

Wan2.2-14B-图生视频-自定义首尾帧,自定义Lora,6步采样,反推提示词,初始化之后，等待服务启动，大概2分钟左右，点击SD-Webui按钮即可，上传首尾帧图片，输入提示词，点击生成即可，如果不传尾帧图片，就是单图生成，可以点击根据图片来生成提示词

最容易的ComfyUI搭建，最新纯净版基座镜像

Step-Audio TTS在线语音克隆3B模型 构建By科哥

Joy Cation WebUI批量打标工具独立版

使用vllm实现思考预算

本镜像参考了[原MSST镜像作者大大bilibili@爱过_留过]老师的模型启动方法，添加了常用的分离伴奏、人声、和声、混响、降噪等模型

wan2.2-首尾帧、文生图、文生视频、图生视频、kontext、flux-krea

Wan2.2-14B-文生视频,自定义Lora,反推提示词,lightx2V加速,6步采样,初始化后，等待服务启动，大概2分钟，然后点击 SD-WEBUI 按钮即可

qwen3-coder-30B-A3B可视化使用

用于训练alchemy kws模型

Yolov13 版本镜像，导入可直接部署运行对应项目。 可直接运行目标检测，分割，分类等视觉任务。

Wan2.2-14B-Lightx2V加速,6步采样,自动提示词

微软Visual Studio Code+腾讯CodeBuddy AI辅助编程IDE

Wan2.2-I2V-A14B-Diffusers + WebUI

AI生成视频Wan2.2图生视频，使用量化版Wan2.2-I2V-A14B模型

self-llm-GLM-4.5-Air vllm LORA镜像

阿里OpenAvatarChat模型数字人生成，可导出下载生成的模型数字人驱动文件包

开源AI视频模型中的SOTA，WAN 2.2的ComfyUI实现，包含5b、14b全部模型

适用电商的ComfyUI镜像环境，包括：饰品佩戴、 多姿势，多角度， 一致性模特工作流，一键换装工作流，眼镜模特工作流，假发模特工作流镜像；本镜像采取一键打包形式，不用输入一句命令，点击几次即可

星悦数字人专业版，文本转语音，灵活配音，数字人对口型，灵活批量生成数字人。

沐神新作，不得不学

vits-simple-api一个出色的声音API管理应用。

LatentSync1.5是字节跳动2025年3月开源的端到端唇形同步框架，基于潜在扩散模型，仅用6 GB显存即可将任意音频驱动成高分辨率、时序连贯的中文说话视频

B站开源工业级可控高效语音克隆

Srt-AI-Voice-Assistant配音辅助工具搭配GSV的镜像

aitookit lora 训练镜像-包含flux kontext 模型与数据集

AstrBot 是一个支持 QQ、微信、飞书等多消息平台部署、具有易用的插件系统和完善的大语言模型（LLM）接入功能的聊天机器人及开发框架。

Forge WebUI大镜像

vits-simple-api语音合成推理服务，支持vits、hubert-vits、w2v2-vits、bert-vits2、gpt-sovits

最强的图片数字人，支持唱歌、说话，效果超强！

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 注意防火墙需要开放UDP所有的端口，让WebRTC可以建立通信

musetalk1.5音频驱动视频生成数字人汉化webUI版 构建By科哥

index-tts-api-v1.5 在线推理服务deepspeed加速版封装，支持自行调用API

MuseTalk数字人模型，建议选择显存48G及以上的GPU

搜集主流的开源ASR项目，提供api接口或webui页面完成ASR工作。 目前内置的项目有：FunASR（SenseVoice、speech_paraformer-large）、FireRedASR、PaddleSpeech

MOSS-TTSD邱锡鹏团队开源最新百万小时训练声音推理模型声音克隆 构建By科哥

简单易用的大模型即时通信机器人开发平台，支持 QQ 微信 企微 飞书 钉钉 等多种平台，已配置好 Ollama DeepSeek 模型

lora-scripts镜像提供轻量级LoRA训练套件，集成Kohya_ss训练器与WebUI界面，支持一键式模型微调、数据集预处理及参数可视化，简化Stable Diffusion衍生模型的定制流程，开箱即用。

牛哥专属调教版本： 开机即用 默认授权码9259 做了队列限制，多人排队，默认依次执行

Kontext-Nunchaku 是一款结合了 FLUX.1 Kontext 图像编辑模型与 Nunchaku 高性能推理加速引擎的工具。它支持基于文本和图像的精准局部修改，能有效实现无损细节的水印擦除，并可在几乎不损失画质的前提下显著提升推理速度

comfyui+nunchaku极速出图、改图！

Flux-kontext & Nunchaku急速高清修复工作流

开源的SOTA级图像编辑模型的多种应用

最强大的图片编辑模型，支持基础修改、风格转换、角色一致性、文本编辑

FLUX.1-Kontext-dev是Black Forest Labs开源的120亿参数图像编辑模型，基于文本指令修改图片，支持角色、风格、物体引用，无需微调即可多步编辑，训练效率高

Voice-Changer（VCClient）是 w-okada 开源的跨平台实时 AI 变声器，内置 RVC、Beatrice v2、MMVC、DDSP-SVC 等主流模型

镜像集成了multitalk数字人工作流与indextts语音克隆工作流

GPT-SoVITS-V4（v2Pro,v2ProPlus），所需素材少，训练耗时短，情绪可控。

index-tts在线api声音克隆快速声音生成api服务用于听小说语音直播等

6-23更新v2.7-大凯智障君-VACE / FusionX 专属AI视频镜像本镜像中包括了：最新的面部追踪流程、 Flux文生图+高清放大工作流 VACE / FusionX 文生视频、图生视频、视频生视频、首帧+尾帧视频comfyUI工作流。 如果你需要学习AIGC相关课程，可以前往哔哩哔哩（免费课程）： https://space.bilibili.com/499577088

Hunyuan3D-2.1是腾讯开源的3D生成大模型，支持文本、图片、草图输入，生成高精度PBR材质与几何模型，加速游戏、影视、工业设计等领域3D资产创建，推动3D生成技术发展

单图生成零件级3D模型-PartPacker是 NVIDIA 开源的单视图零件级 3D 对象生成框架，通过“双体素打包”将整体与部件隐式编码解耦

n8n 是一个工作流自动化平台，为技术团队提供代码的灵活性和无代码的速度。拥有 400+ 集成、原生 AI 功能和公平代码许可证，n8n 让您构建强大的自动化，同时保持对数据和部署的完全控制。

大凯智障君-VACE / FusionX 专属AI视频镜像：包含Flux文生图高清放大、VACE模型视频创作流程、FusionX模型的图生视频、文生视频、视频转视频等最新的comfyUI工作流，我会定期更新本教学镜像，欢迎大家学习和测试使用。

tencent-ailab旗下的SongGeneration项目，目前只有base模型

Voila是一个超越人类反应速度的开源语音大模型，专为实时情感对话而设计。作为由美国加州大学圣地亚哥分校、阿联酋穆罕默德·本·扎耶德人工智能大学以及Maitrix.org团队共同开发的革命性语音基础模型，Voila采用端到端架构，实现了195ms超快响应，支持百万音色和10秒声音克隆，是构建有温度AI语音交互系统的理想选择。

Langchain-Chatchat 是一种利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案

V-JEPA 2（Video Joint-Embedding Predictive Architecture 2）是Meta AI在世界模型构建领域的重大突破，这是一个能够像人类一样理解、预测和规划的自监督视频模型

阿里开源实时交互数字。 模块化的交互数字人对话实现，能够在单台PC上运行完整功能。

最新版comfyui，集成了360旋转工作流，WAN2.1视频转绘工作流，和图片重绘、flux-kontex工作流

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；V4 修复金属失真并原生输出 48 kHz，支持中英日韩粤五语种零样本与跨语言推理

最简单的lora制作工具，三步让你制作出自己的lora

TabbyAPI 是 ExLlamaV2 官方开源的高性能文本生成服务器，OpenAI 兼容、轻量极速，支持 Exl2/GPTQ/FP16 模型，内置并发批处理、LoRA 热插、工具调用与草稿推测解码

Text-Generation-Webui大语言模型综合终端。Text-Generation-Webui 是 oobabooga 开发的开源 LLM 前端，被誉为“文本界的 AUTOMATIC1111”，支持 llama.cpp、Transformers、ExLlamaV3、TensorRT-LLM 等多种后端

DreamO实现了比以前的适配器方法更高的保真度，在保留字符身份方面具有明显的优势。

这是一套强大的AI视频生成工具包，支持文生视频、图生视频，具备动作、镜头、参考图等高级控制功能，并可进行首尾特效、风格转绘、数字人生成等后期处理。