AI 工具目录

Speech-02 是 MiniMax 推出的新一代文本到语音（TTS）模型。模型基于回归 Transformer 架构，实现零样本语音克隆，仅需几秒参考语音能生成高度相似的目标语音。Flow-VAE 架构增强了语音生成的信息表征能力，提升合成语音的质量和相似度。

DanceGRPO 是字节跳动 Seed 和香港大学联合推出的首个统一视觉生成强化学习框架。将强化学习应用在视觉生成领域，覆盖两大生成范式（diffusion 和 rectified flow）、三项任务（文本到图像、文本到视频、图像到视频）、四种基础模型（SD、HunyuanVideo、FLUX、SkyReels-I2V）及五类奖励模型（图像视频美学、图文对齐、视频动态质量、二元奖励）。

Paw Party（萌爪派对） 是 AI 宠物养成社交游戏。玩家与各种可爱的AI宠物互动，体验钓鱼、烹饪、农场经营等多种趣味游戏。AI宠物具有独特的个性，玩家离线也能独立活动。

AG-UI（Agent-User Interaction Protocol）是开源的、轻量级的、基于事件的协议，支持标准化AI Agent 与前端应用之间的交互。AG-UI定义16种标准事件类型，支持SSE、WebSocket、Webhook等多种传输方式，实现流式通信和双向状态同步。

Asendia AI 是基于人工智能的求职辅导工具，帮助求职者提升求职技能，高效准备面试。提供个性化职业规划，根据个人情况推荐求职策略。智能职位匹配功能，能快速为求职者找到合适的职位。

Zoe是百型智能推出的国内首个外贸行业垂类Agent，AI外贸员。能根据企业设定的目标自动拆解工作流程，独立完成外贸开发拓客的全链路操作，涵盖市场分析、潜在客户寻找、精准客户筛选、开发触达以及转化跟进等核心环节。

WorldMem 是南洋理工大学、北京大学和上海 AI Lab 推出的创新 AI 世界生成模型。模型基于引入记忆机制，解决传统世界生成模型在长时序下缺乏一致性的关键问题。在WorldMem中，智能体在多样化场景中自由探索，生成的世界在视角和位置变化后能保持几何一致性。

AI Meeting Notes 是Notion推出的AI会议记录工具，能实时转录会议内容，在会议结束后自动生成包含关键摘要、用户笔记对比和行动项的完整纪要。

ChatUI 是阿里团队推出的开源智能对话式 UI 组件库，能帮助开发者快速构建高质量的聊天应用，提供响应式设计、国际化、主题定制等功能。ChatUI 基于阿里巴巴 Alime Chatbot 的最佳实践，用 TypeScript 编写，支持无障碍功能，兼容多种浏览器。

Chinese-LiPS 是智源研究院联合南开大学共同打造的高质量中文多模态语音识别数据集，包含100小时的语音、视频和手动转录文本，创新性地融合了唇读视频和演讲者的幻灯片内容。幻灯片由领域专家精心设计，确保了视觉图像的高质量和丰富性。

Seed1.5-VL 是字节跳动 Seed 团队最新发布的视觉-语言多模态大模型，具备强大的通用多模态理解和推理能力，推理成本显著降低。模型由一个 532M 参数的视觉编码器和一个 20B 活动参数的混合专家（MoE）LLM 组成。

GitFriend 是基于 React、TypeScript 和 AI 技术推出的 AI GitHub 辅助工具，能简化 GitHub 的使用流程，提升开发效率。GitFriend支持基于 AI 聊天功能为用户提供 Git 和 GitHub 的问题解答，自动生成定制化的 README 文件，帮助用户快速创建项目文档。

PrimitiveAnything是腾讯人工智能平台部（AIPD）和清华大学联合开发的新型3D形状生成框架。将复杂的3D形状分解为简单的基元元素，通过自回归方式生成这些基元，最终重新组装成完整的3D形状。

Seedance 1.0 lite是火山引擎推出的豆包视频生成模型的小参数量版本，支持文生视频和图生视频两种生成方式，支持生成5秒或10秒、480p或720p分辨率的视频。

ZenCtrl 是 Fotographer AI 推出的 AI 图像生成工具，支持从单张图像生成高质量、多视角和多样化场景的图像，无需额外训练数据。

OpusSearch 是 OpusClip 推出的 AI 视频搜索工具，是专业创作者和企业的“定制 AI 大脑”，OpusSearch 能让用户快速搜索并再利用视频库中的任何内容，可按主题、演讲者、对象等进行搜索。

Moovly 是AI在线视频编辑与制作平台，支持为商业和教育领域提供高效、便捷的视频创作解决方案。基于强大的 AI 功能，实现脚本生成、语音合成、字幕转录、多语言翻译和素材智能搜索等操作，极大提升视频制作效率。

Scenethesis 是 NVIDIA 推出的创新框架，用在从文本生成交互式 3D 场景。框架结合大型语言模型（LLM）和视觉感知技术，基于多阶段流程实现高效生成，用 LLM 进行粗略布局规划，基于视觉模块细化布局生成图像指导，用优化模块调整物体姿态确保物理合理性，基于判断模块验证场景的空间连贯性。

FlowGram是字节跳动开源的基于节点编辑的可视化工作流搭建引擎，帮助开发者快速构建固定布局或自由连线布局的工作流。支持两种布局模式：固定布局适合顺序工作流和决策树，提供层次化结构和灵活的分支、复合节点；自由布局支持节点自由定位和手动连线，适合网络图和思维导图，支持对齐、自动布局等功能。

Audio-SDS是NVIDIA AI研究团队推出的创新技术，将Score Distillation Sampling（SDS）技术扩展至文本条件音频扩散模型，为音频处理领域带来了重大突破。无需重新训练模型，可将任意预训练音频扩散模型转化为多功能工具，广泛应用于音效生成、音源分离、FM合成及语音增强等任务。

AI教师助手是外研在线科技有限公司推出的智能教学工具，专为教师设计，减轻教学负担，提升教学效果。AI教师助手覆盖教学设计、智能出题、精准评阅、实时答疑、成绩分析等全流程，支持个性化教学。

KuaiMod 是快手推出的基于多模态大模型的短视频质量判别框架，能高效识别和过滤有害及低质量内容。框架借鉴普通法（Common Law）体系，基于案例驱动的方式动态更新审核策略，快速适应短视频平台上内容的快速变化。

Image-AI.pro 是专业级的 AI 图像生成平台，基于强大的 img-v2 Pro 引擎驱动，能生成高质量、多风格的图像作品。具备高级语义理解能力，能精准捕捉用户的创作意图和细节需求，支持从写实摄影到艺术插画等多种风格，能精确控制光线、色调和拍摄角度，满足专业创作需求。

oli 是开源的智能代码助手，支持为开发者提供强大的编程支持。基于现代化的混合架构，结合 Rust 后端的高性能和 React/Ink 前端的交互式终端界面。oli 支持多种云 API及本地语言模型（基于 Ollama）。

Klavis AI 是一个开源的 MCP（Multimodal Communication Protocol，多模态通信协议）集成平台，帮助 AI 应用快速接入生产级的 MCP 服务器和客户端。平台提供稳定可靠的 MCP 服务器，支持多种工具集成和定制化服务，具备内置的身份验证功能，保障开发人员和终端用户的安全。

Multiverse是以色列团队Enigma Labs推出的全球首个AI生成多人游戏模型。是多人赛车游戏，玩家可以超车、漂移、加速，每一次行动会实时影响并重塑游戏世界。模型通过AI技术实时生成游戏画面，确保两名玩家看到的是同一个逻辑统一的世界。

Insert Anything是浙江大学、哈佛大学和南洋理工大学的研究人员联合推出的基于上下文编辑的图像插入框架。框架基于将参考图像中的对象无缝插入到目标场景中，支持多种实际应用场景，如艺术创作、真实人脸替换、电影场景合成、虚拟试穿、配饰定制和数字道具替换等。

DBCopilot 是火山引擎推出的国内首个数据库智能助手，上线于火山引擎数据库工作台 DBW 控制台。通过 AI 技术覆盖数据存储、管理、获取三大核心场景，结合基础算法与大模型能力，改变了数据库平台的交互方式。

Absolute Zero是清华大学 LeapLab 团队联合北京通用人工智能研究院 NLCo 实验室和宾夕法尼亚州立大学推出的全新语言模型推理训练方法。Absolute Zero基于模型自我提出任务自主解决，实现自我进化式学习，无需依赖人类标注数据或预定义任务。

PrintVerse是在线 AI 3D模型生成平台，支持用户上传图片或文字生成3D模型。平台支持将真人照片转换成卡通手办风格的3D模型，方便用户进行3D打印。用户能在平台上预览3D模型效果，支持下载STL或OBJ格式的文件。

HunyuanCustom是腾讯混元团队推出的多模态驱动的定制化视频生成框架。HunyuanCustom支持图像、音频、视频和文本等多种输入条件，支持生成具有特定主体和场景的高质量视频。

Text2CAD 是创新的在线平台，通过人工智能技术将自然语言描述快速转化为专业 CAD 模型。用户只需用简单的语言描述设计想法，如尺寸、形状和功能要求，Text2CAD 的 AI 引擎可在几秒内生成高精度的 CAD 模型，支持 STL、OBJ、STEP 等多格式导出。

Voila 是开源的端到端语音大模型，专为语音交互而设计。具备高保真、低延迟的实时流式音频处理能力，能直接处理语音输入并生成语音输出，为用户提供流畅且自然的交互体验。

Amazon Nova Premier 是亚马逊推出功能最强大的多模态 AI 模型，能处理文本、图像和视频输入（不包括音频），擅长处理需要深度理解上下文、多步骤规划以及跨多工具和数据源精确执行的复杂任务。支持高达100万token的上下文长度，可处理超长文档或大型代码库。

D-DiT（Dual Diffusion Transformer）是卡内基梅隆大学、耶鲁大学和字节跳动Seed实验室推出的多模态扩散模型，能统一图像生成和理解任务。模型结合连续图像扩散（流匹配）和离散文本扩散（掩码扩散），基于双向注意力机制同时训练图像和文本模态。

Granite 4.0 Tiny Preview 是 IBM 推出的 Granite 4.0 语言模型家族中最小的模型的预览版本。Granite 4.0 Tiny Preview用极高的计算效率和紧凑的模型结构为特点，在消费级 GPU 上能运行多个长上下文（128K）任务，性能接近 Granite 3.3 2B Instruct，内存需求减少约 72%。

ACE-Step 是 ACE Studio 和 StepFun 联合推出的开源音乐生成基础模型，基于创新的架构设计实现高效、连贯且可控的音乐创作。ACE-Step结合扩散模型、深度压缩自编码器（DCAE）和轻量级线性变换器，能在短时间内生成高质量的音乐作品，速度比传统 LLM 模型快 15 倍。

TesserAct 是创新的 4D 具身世界模型，能预测 3D 场景随时间的动态演变，响应具身代理的动作。通过训练 RGB-DN（RGB、深度和法线）视频数据来学习，超越了传统的 2D 模型，能将详细的形状、配置和时间变化纳入预测中。

Hula 是 Prequel Inc. 推出的 AI 视频生成工具，通过简单操作将用户的静态照片或视频转换为创意内容。用户可以通过上传照片，变成动态视频，例如模拟在巴黎漫步或时尚杂志拍摄的场景。

Cheehoo 是AI动画制作平台。基于自研AI模型和数据解决方案，帮助创作者快速原型设计和迭代动画内容，支持与Maya、Unreal等现有平台无缝集成。Cheehoo 能降低动画制作成本，赋予创作者高度的艺术控制权。

Drimo 是追梦极客推出的 AI 智能创作工具，专为影视、广告从业者以及 AI 视频创作者设计，主要提升创作效率与专业性。能帮助影视从业者解决前期制作中的复杂流程，如故事创意生成、策划书撰写、演员场景选定、分镜脚本制作等。

Peek 是创新AI驱动的个人财务管理应用，通过人工智能技术帮助用户轻松掌控财务状况，注重情感体验和隐私保护。通过与银行账户连接，Peek 能自动记录用户的收入、支出和投资情况，无需手动输入数据。

ACI.dev 是开源的基础设施平台，专为 AI 智能体设计，提供强大的工具调用支持。集成了 600 多种预构建工具，涵盖 Gmail、Slack、Notion 等常见应用，支持通过函数调用或 MCP 服务器灵活访问。

HoloTime 是北京大学深圳研究生院和鹏城实验室推出的全景 4D 场景生成框架，基于视频扩散模型将单张全景图像转化为具有真实动态效果的全景视频，进一步重建为沉浸式的 4D 场景。

OceanDoc 是科大讯飞新加坡团队推出的AI智能办公工具，基于大语言模型和自然语言处理技术，能根据文本输入AI自动生成PPT幻灯片，提供AI驱动的设计建议，支持多语言翻译和本地化功能。

RepText 是Shakker Labs 和 Liblib AI推出的多语言视觉文本渲染框架，基于复制字形而非理解文本内容实现高质量的文本渲染。框架基于预训练的单语言文本到图像生成模型，引入 ControlNet 结构、Canny 边缘检测、位置信息及字形潜变量复制技术，精准地渲染用户指定字体和位置的多语言文本。

Embodied Reasoner是浙江大学、中国科学院软件研究所、阿里巴巴集团等机构推出的新型的具身交互推理模型，基于视觉搜索、推理和行动协同完成复杂任务。模型基于模仿学习、自我探索和自我修正的三阶段训练方法，生成多样化的思考过程（如情境分析、空间推理、自我反思等）。

Qwen3 是阿里巴巴推出的新一代大型语言模型，Qwen3 支持“思考模式”和“非思考模式”两种工作方式，思考模式模型会逐步推理，经过深思熟虑后给出最终答案，适合复杂问题。非思考模式模型提供快速、近乎即时的响应，适用于简单问题。