AI 模型大全

Stability AI 的高分辨率文生图模型，图像质量与细节较 SD 1.5 大幅提升，生态最成熟（LoRA/ControlNet 海量），本地可免费商用。

深度求索开源的多模态大模型，MoE 架构高效推理，在文档图表理解、OCR 与视觉问答上表现优秀，中文与视觉结合能力强。

Meta 开源的音乐生成模型，输入描述与风格可生成带旋律/伴奏的音频片段，支持文本/旋律双提示，本地可运行，研究友好。

Stability AI 开源的图像生成视频模型，输入一张图片即可生成短视频，研究友好，可与 Stable Diffusion 生态结合做动态内容。

OpenAI 开源的语音识别模型，支持 99 种语言的转写与翻译，含弱监督多语言训练，可本地运行，是主流开源 ASR 方案，社区优化版更快。

阿里通义实验室开源的视频生成模型 Wan2.1，支持文生视频、图生视频与视频编辑，Apache-2.0 开源，云端也提供「万象」视频生成服务。

Black Forest Labs（原 Stable Diffusion 团队）推出的文生图模型，直出图质量与文字渲染、人手细节业界领先，Schnell 版开源、dev 版本也开放权重。

面壁智能推出的端侧多模态模型，8B 参数即可在手机/消费级显卡上运行，支持图像、视频理解与 OCR，中文能力强。

最流行的开源文生图模型，SD 3 采用扩散 Transformer 架构，文字渲染与人体结构显著提升，可通过 Diffusers 或 ComfyUI 本地生成高质量图像。

OpenAI 开源的图文对齐模型，将图片与文本映射到同一向量空间，可用于以文搜图、图搜图、图像分类与多模态检索系统。

开源视觉指令跟随模型的开山之作，架构简洁（视觉编码器+LLM），在图像问答、描述与推理上表现出色，生态与衍生模型众多。

通义千问开源视觉语言模型，支持图像理解、视频理解与视觉定位，72B 版本能力对标闭源多模态旗舰，Apache-2.0 可商用。

Deemos 的 Rodin 3D 模型生成器，专业面向角色模型与游戏美术，生成质量在 3D 社区广受好评。

VAST 的 Tripo 系列 3D 生成模型，文本或图像生成 3D 网格，速度达到分钟级，主打游戏与设计资产生成。

Cartesia 的云端语音 API，基于其低延迟 Sonic 引擎，面向实时语音产品。

科大讯飞的在线语音合成服务，中文音色业界领先，覆盖上百种音色与方言。

OpenAI 的官方文本转语音模型，支持多种音色和输出格式，是 TTS-1-hd 的基础版本。

字节跳动的拟人语音合成模型，中文发音自然，用于火山引擎 TTS 服务。

Suno 第四代音乐生成模型，支持带人声的完整歌曲创作，风格覆盖流行、民谣、电子等，是当下的音乐 AI 标杆。

ElevenLabs 第三大语音模型，在语音逼真度与可控性上再次升级，支持强化语音与多风格。