直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

如何合成照片

回答

以下是关于合成照片的相关内容：

使用 Midjourney（MJ）生成人物图片：

  1. 确定人物形象：如“a little girl wearing a yellow floral skirt + 人物动作 + 风格词”，在 MJ 中生成直到得到满意的人物图像。
    • 垫图 URL + “In the forest,a little girl wearing a yellow floral skirt is playing happily,super high details,HDsmooth,by Jon Burgerman,--s 400 --ar 3:4 --niji 5 --style expressive --iw 2”
    • “--iw”取值范围在[0.5,2]，不填写默认“iw = 1”，“iw”值越大越接近垫的图像，反之更接近提示词。为确保人物一致性，取“--iw 2”。

合成人物和场景：

  1. 使用 PS 或者 Canva 将人物和场景合成到一张图，若色调不和谐：
    • 将合成后的图作为垫图（“--iw 2”），MJ 重新生图，提示词如：“垫图 url + Little girl wearing a yellow floral skirt,and her friend brown bear,taking shelter in the cave,rainstorm,super high details,HDsmooth,by Jon Burgerman,--s 400 --ar 3:4 --niji 5 --style expressive --iw 2”

使用 Camera Motion 合成照片：

  1. 上传图片：点击“AddImage”上传图片。
  2. 输入提示词：在“Prompt”中输入提示词。
  3. 设置运镜方向：选择想要的运镜方向，输入运镜值。
  4. 设置运动幅度：运动幅度和画面主体运动幅度有关，与运镜大小无关，可设置成任意值。
  5. 其它：选择好种子（seed），是否高清（HD Quality），是否去除水印（Remove Watermark）。
  6. 生成视频：点击“create”，生成视频。

照片数字人工作流及语音合成（TTS）API - 出门问问 Mobvoi：

  1. 照片数字人工作流 - 使用文档：
    • 出门问问：语音合成（TTS）API 获取地址
    • 参数及说明：
      • 字段名：text，必填，类型为 String，要合成的文本内容，限制为 1000 字符。支持 ssml 标记语言，使用说明见附录 3。
      • 字段名：appkey，必填，类型为 String，开发者在 AI 开放平台上申请的 appkey。
      • 字段名：signature，必填，类型为 String，签名，通过“appkey + secret + timestamp”进行 md5 加密，得到的 32 位 MD5 值。每次请求实时计算签名，签名有效期为 10 分钟。
      • 字段名：timestamp，必填，类型为 Long，当前时间戳，单位为秒。
      • 字段名：speaker，否，类型为 String，合成音频指定发音人，默认值：cissy_meet，其他发音人传值及计费价格请参考声音商店。
      • 字段名：audio_type，否，类型为 String，合成音频的格式，默认值：mp3，可选值：pcm/mp3/speex-wb-10/wav，只支持这四种格式中的一种。
      • 字段名：speed，否，类型为 Float，发音人合成的语速，支持小数点后两位，默认值：1.0，可选值：0.5 - 2.0。
      • 字段名：convert，否，类型为 String，默认值：无，可选值：robot，是否转化为机器声。
    • Request Header 设置
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

MJ应用篇 儿童绘本制作、人物一致性解

确定人物形象：a little girl wearing a yellow floral skirt+人物动作+风格词，在mj中生成直到得到一张满意的人物图像垫图URL+In the forest,a little girl wearing a yellow floral skirt is playing happily,super high details,HDsmooth,by Jon Burgerman,--s 400 --ar 3:4 --niji 5 --style expressive --iw 2--iw取值范围[0.5,2]，不填写默认iw = 1，iw值越大越接近垫的图像，反之更接近提示词。为了确保人物一致性，取-- iw 2[heading1]合成人物和场景，垫图并重新生成[content]使用PS或者Canva将人物和场景合成到一张图，但是在色调上不太和谐：（如果这里画面和谐/ps技术足够，也可以不用图生图）将合成后的图作为垫图（--iw 2），mj重新生图如下。prompt：垫图url + Little girl wearing a yellow floral skirt,and her friend brown bear,taking shelter in the cave,rainstorm,super high details,HDsmooth,by Jon Burgerman,--s 400 --ar 3:4 --niji 5 --style expressive --iw 2[heading1]绘本展示

Camera Motion 使用教程

点击"AddImage"上传图片。[heading2]2.输入提示词[content]在“Prompt”中输入提示词。[heading2]3.设置运镜方向[content]选择您想要的运镜方向，输入[运镜值](https://waytoagi.feishu.cn/docx/Ci9yd5xu2o46rXxNofdcnqH9nXb#doxcniTMBNtWHj6MSpXvB2DTyUh)。（下图中所示为向右运镜）[heading2]4.设置运动幅度[content]运动幅度和画面主体运动幅度有关，与运镜大小无关，可以设置成您想要的任意值。[heading2]5.其它[content]选择好种子（seed），是否高清（HD Quality），是否去除水印（Remove Watermark）。[heading2]6.生成视频[content]点击“create”，生成视频。

照片数字人工作流及语音合成（TTS）API- 出门问问Mobvoi

[title]照片数字人工作流及语音合成（TTS）API-出门问问Mobvoi[heading1]照片数字人工作流-使用文档[heading2]让我们一起来实际操作吧！[heading3]出门问问：语音合成（TTS）API获取地址[heading4]语音合成（TTS）��参数及说明：|字段名|必填|类型|描述|<br>|-|-|-|-|<br>|text|是|String|要合成的文本内容，限制为1000字符。支持ssml标记语言，使用说明见附录3。|<br>|appkey|是|String|开发者在AI开放平台上申请的appkey。|<br>|signature|是|String|签名，通过“appkey+secret+timestamp”进行md5加密，得到的32位MD5值。其中加号也参与MD5的计算。<br>每次请求实时计算签名，签名有效期为10分钟。|<br>|timestamp|是|Long|当前时间戳，单位为秒。|<br>|speaker|否|String|合成音频指定发音人<br>默认值：cissy_meet<br>其他发音人传值及计费价格请参考声音商店。|<br>|audio_type|否|String|合成音频的格式<br>默认值：mp3<br>可选值：pcm/mp3/speex-wb-10/wav<br>只支持这四种格式中的一种|<br>|speed|否|Float|发音人合成的语速，支持小数点后两位<br>默认值：1.0<br>可选值：0.5-2.0|<br>|convert|否|String|默认值：无<br>可选值：robot<br>是否转化为机器声|Request Header设置

其他人在问
什么工具/模型/API 可以根据宠物照片生成数字宠物 可以有简单的活动。
以下是一个可以根据宠物照片生成数字宠物并具有简单活动的工具/模型/API： 出门问问 Mobvoi 的照片数字人工作流及语音合成（TTS）API。 出门问问是一家以生成式 AI 和语音交互为核心的人工智能公司，为全球多个国家提供面向创作者的 AIGC 工具、AI 政企服务，以及 AI 智能硬件。致力于打造国际领先的通用大模型，通过 AI 技术、产品及商业化三位一体发展，致力成为全球 AI CoPilot 的引领者。 在 ComfyUI 全球领导力峰会上，特意搭建了数字人 workflow（照片数字人驱动），仅需上传一张照片，输入一段文字或者上传一段音频，就可以生成短视频让“照片开口说话”。本次活动特意提供了免费 api 额度及操作指南给大家进行体验。以下是一些不同风格的照片驱动效果展示：
2024-11-16
有可以更具提供的文本和照片生成视频的AI吗？
以下是一些可以根据提供的文本和照片生成视频的 AI 工具： 1. Pika：一款出色的文本生成视频 AI 工具，擅长动画制作并支持视频编辑。目前内测免费，其生成服务托管在 Discord 中。操作步骤包括加入 Pika Labs 的 Discord 频道，在“generate”子区输入指令生成或上传本地图片生成视频，对不满意的效果可再次生成优化。 2. SVD：如果熟悉 Stable Diffusion，可以安装这款最新的插件，在图片基础上直接生成视频，它是由 Stability AI 开源的 video model。 3. Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频的功能，但需要收费。 4. Kaiber：视频转视频 AI，能够将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可以生成长达 1 分钟以上的视频。 更多的文生视频的网站可以查看：https://www.waytoagi.com/category/38 。 内容由 AI 大模型生成，请仔细甄别。
2024-11-11
照片生成卡通画
以下是关于照片生成卡通画的相关内容： 1. 个性卡通头像生成： 复杂提示词：如“Disney boy,Low saturation Pixar Super details,clay,anime waifu,looking at viewer,nighly detailedreflections transparent iridescent colors.lonctransparent iridescent RGB hair,art by Serafleurfrom artstation,white background,divine cinematic edgelighting,soft focus.bokeh,chiaroscuro 8K,bestquality.ultradetailultra detail.3d,c4d.blender,OCrenderer.cinematic lighting,ultra HD3D renderino iw 1.5 s 500 v 5”。 不同照片生成：可更换新照片使用上述提示词重新生成。 其他调整：若不喜欢 Disney 风格，可将提示词中的“Disney”换成“Pixar”；若为女孩，可将“boy”换成“girl”。每次生成 4 张图片，满意可点击下方的 U1~U4 生成大图，对风格满意但需调整可点击 V1~V4 进行修改。 2. 【SD】简笔水彩风格插画生成： 大模型：“Flat2D Animerge”，适合生成卡通动漫图片，官方建议 CFG 值在 5 或 6（使用动态阈值修复可拉到 11）。 Lora：“Chinese painting style”可增加中国画水彩风格效果，权重设置为 0.4；“Crayon drawing”可添加简单线条和小孩子笔触，权重设置为 0.8。 操作步骤：将图片丢到标签器中反推关键词，发送到“文生图”；在正向提示词末尾添加上述 lora；设置好尺寸，重绘幅度开 0.5 让 AI 更自由发挥，想接近原图可降低数值；将图放入 controlnet 中，选择 tile 模型，权重为 0.5，控制模式选择“更注重提示词”。 3. 进阶使用技巧总结： 通用人物模版：想用真人照片生成卡通头像，可用「真人照片」+「照片描述」+「方法 1 的关键词」处理。若生成满意的图要记得保存，下次同种类型可直接喂图，效果更好。
2024-11-07
照片修复
以下是关于照片修复的相关知识： 图像高清修复与无损放大的流程通常分为三部分： 图像输入：添加 Load Image 节点加载图像，不建议上传大分辨率图片，因其处理时间长。 图像高清修复：使用 Iceclear/StableSR 等模型进行高清修复并 2 倍放大，搭配 Stable SR Upscaler 模型和合适的提示词，如正向：（masterpiece），（best quality），（realistic），（very clear），反向：3d，cartoon，anime，sketches，（worst quality），（low quality）等。 图像高清放大：用 realisticVision 底膜进行二次修复，使用提示词反推 node 提取画面提示词，搭配 tile ControlNet 提升细节感，再用合适的高清放大模型二次放大。 用 AI 给老照片上色： 启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染功能，在显存不够时将图片放大。 可在 PS 里调整角度和裁切照片，然后上色。对于复杂照片，可放弃人物服装颜色指定，只给场景方向，加入第二个 controlnet 控制颜色，如使用 t2ia_color 模型，关键词如蓝天、绿树、灰石砖。 将照片放入后期处理，使用 GFPGAN 算法清晰人脸，五官重绘后，再将图片发送到图生图中，打开 stableSR 脚本放大两倍，切换到 sd2.1 模型修复，vae 选择 vqgan，可不写提示词以免干扰原图。
2024-11-06
老照片修复
以下是关于用 AI 给老照片上色的详细步骤和方法： 1. 启用 MutiDiffusion 插件，不开放大倍数，仅使用分块渲染功能，在显存不够时放大图片。 2. 在 PS 里进行角度调整和照片裁切。 3. 对于人物照片还原，选择 realisian 的写实大模型，提示词直接描述颜色和对应内容。ControlNet 选择 Recolor，预处理器选择“recolor_luminance”效果较好。 4. 将照片放入后期处理，使用 GFPGAN 算法将人脸变清晰。 5. 把图片发送到图生图中，打开 stableSR 脚本放大两倍，切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可不写以免干扰原图。 6. 对于复杂的照片，如人物多、场景复杂、像素低的，可先放弃人物服装颜色指定，只给场景方向，让 AI 自行决定颜色。还可加入第二个 controlnet 控制颜色，使用 t2ia_color 模型，给出简单关键词如“蓝天、绿树、灰石砖”。 参考文章： 1. 2. 作者：白马少年，发布时间：20230910 19:00，原文网址：https://mp.weixin.qq.com/s/hlnSTpGMozJ_hfQuABgLw
2024-11-06
能修复老照片吗
AI 可以修复老照片。以下是一些相关的方法和工具： 可以使用 Stable Diffusion（SD）中的 controlnet 模型中的 Recolor 新模型为黑白老照片重新上色。提示词可直接描述颜色和对应的内容，ControlNet 选择 Recolor，预处理器选择“recolor_luminance”效果较好。 将照片放入后期处理中，使用 GFPGAN 算法将人脸变清晰。 把图片发送到图生图中，打开 stableSR 脚本，放大两倍，切换到 sd2.1 的模型进行修复，vae 选择 vqgan，提示词可不写以免干扰原图。 辅助工具方面： 本地工具放大：https://www.upscayl.org/download SD 放大：扩散模型可增加更多细节 开源工作流： 其他工具和网站： stability.ai 的 https://clipdrop.co/tools 画质增强 magnific 遥遥领先：https://magnific.ai/ Krea https://www.krea.ai/apps/image/enhancer Image Upscaler：https://imageupscaler.com/ 佐糖：https://picwish.cn/photoenhancerapi?apptype=apsbdapi&bd_vid=8091972682159211710 腾讯 ARC https://arc.tencent.com/zh/aidemos/humansegmentation?ref=88sheji.cn 腾讯开源的模型，能恢复老照片：https://github.com/TencentARC/GFPGAN ，在线测试地址：https://replicate.com/tencentarc/gfpgan 美图老照片修复：https://www.xdesign.com/quality/?channel=sllbd90&bd_vid=11711254260543749686 Imglarger：https://imglarger.com/ Let's Enhance：https://letsenhance.io/ Waifu2x：http://waifu2x.udp.jp/
2024-11-05
撰写内容概要：以ai换脸诈骗和声音合成诈骗为蓝本查阅网站、文献期刊等专家在相关方面的研究进展及其成果，并进行汇总评述。（1）表述收集资料的来源情况、收集资料的数量情况；（2）将所收集的资料进行分类，按照几个分类方面逐一进行表述，表述涵盖专家的观点、结论、思路、方案等；（3）小组综合性的对所收集到的资料进行评述，描述当前的进展情况、优劣点、未来发展等。）
以下是根据您提供的资料进行的汇总评述： 一、收集资料的情况 1. 来源情况：资料来源于陶力文律师的相关论述、关于 AI 音乐的论文、质朴发言的研究报告等。 2. 数量情况：共收集到 3 份相关资料。 二、资料分类及专家观点 1. 关于律师如何写好提示词用好 AI 观点：强调结构化内容组织、规定概述内容解读结语结构、案例和挑战结合、结合法规和实际操作、使用商业术语等。 结论：通过多种方式提升文章的专业性和针对性。 思路：从标题、文章结构等方面进行规划。 方案：按照特定的结构和要求进行写作。 2. 基于频谱图的音乐录音中自动调谐人声检测 观点：聚焦音乐中人声音高的自动调音检测，提出数据驱动的检测方法。 结论：所提方法在检测上表现出较高的精确度和准确率。 思路：包括音频预处理、特征提取和分类等步骤。 方案：创建新数据集，进行全面评估。 3. 文生图/文生视频技术发展路径与应用场景 观点：从横向和纵向梳理文生图技术发展脉络，分析主流路径和模型核心原理。 结论：揭示技术的优势、局限性和未来发展方向。 思路：探讨技术在实际应用中的潜力和挑战。 方案：预测未来发展趋势，提供全面深入的视角。 三、综合性评述 当前在这些领域的研究取得了一定的进展，如在音乐自动调音检测方面提出了新的方法和数据集，在文生图/文生视频技术方面梳理了发展路径和应用场景。 优点在于研究具有创新性和实用性，为相关领域的发展提供了有价值的参考。但也存在一些不足，如音乐检测研究中缺乏专业自动调音样本，部分技术在实际应用中可能面临一些挑战。 未来发展方面，有望在数据样本的丰富性、技术的优化和多模态整合等方面取得进一步突破，拓展更多的应用场景。
2024-11-15
如何用两张照片，合成一张绘画效果的图
以下是将两张照片合成为一张绘画效果的图的步骤： 1. 利用 Dalle3 绘图，根据以下提示词分别把高中和大学时期的内容绘制成两幅四格漫画： 高中：中午，急急忙忙跑到食堂，排长队买饭。 大学：中午，懒洋洋在宿舍点外卖，直接送到宿舍楼下。 2. 利用 Python 进行图片处理： 统一设置：使用上传的字体，字体颜色黑色。 首先： 在每张图片的上面创建一个空白的白色背景区域（从原图片进行延长，而不是遮盖原图），用来放置文字（高中的图片写上“高中”，大学的图片写上“大学”）。 文字的字体大小设置成 65px，居中显示。 然后： 在图片下方创建一个空白的白色背景区域（从原图片进行延长，而不是遮盖原图），用来放置文字（高中的图片写上），如果句子过长，要注意换行显示。 文字的字体大小设置成 45px，居中显示。 最后把两张图片拼成一张图，高中的图片在左，大学的图片在右。两张图中间放置 50px 的空白区域。 另外，还有一些相关的知识供您参考： Double Exposure 是一种视觉艺术风格，将两个或多个照片合成到一起，创建出具有艺术效果的图像，灵感来自于传统的双重曝光摄影技术。最佳提示词：Double Exposure。 在 Stable Diffusion 中，可以使用【X/Y/Z plot】脚本来做参数对比，例如将 X 轴设置为提示词相关性，取值范围是 1 30。通过对比找到合适的参数，如提示词相关性在 6 11 中间为最佳。还可以使用绘图功能进行局部修改，如增加红色眼镜、去掉衣服上的图案、更换头部或帽子等部分。
2024-11-04
两个人物图合成一张图片，有什么好工具？
以下是一些可以将两个人物图合成一张图片的工具和方法： 1. Midjourney（MJ）： 确定人物形象，通过相关提示词生成人物图像。 利用 PS 或者 Canva 将人物和场景合成到一张图，若色调不和谐，可将合成后的图作为垫图在 MJ 中重新生图。 2. Stable Diffusion（SD）： 可使用 Roop 插件进行多人物脸部替换。例如生成一张包含两个古风人物的图片，通过图生图调整重绘幅度，并在 Roop 插件中载入相应人物照片形象进行脸部替换，最后使用 PS 扩图。 3. 其他方法： 利用 MJ 画图制作底图，使用 InsightFaceSwap 插件处理脸部，分割裁剪图片、处理后缝合，再用相关软件让图片动起来。 直接在网上寻找能够融合两张照片的软件或项目，若没有则进行纯 P 图，然后利用图生视频的项目完成。
2024-10-28
照片人物与虚拟人合成
以下是关于照片人物与虚拟人合成的相关内容： 使用 Midjourney（MJ）生成人物图片： 确定人物形象，如“a little girl wearing a yellow floral skirt + 人物动作 + 风格词”，在 MJ 中生成直到得到满意的人物图像。可使用垫图 URL 及相关提示词，如“In the forest,a little girl wearing a yellow floral skirt is playing happily,super high details,HDsmooth,by Jon Burgerman,s 400 ar 3:4 niji 5 style expressive iw 2”，其中“iw 取值范围，不填写默认 iw = 1，iw 值越大越接近垫的图像，反之更接近提示词。为了确保人物一致性，取 iw 2”。 合成人物和场景： 使用 PS 或者 Canva 将人物和场景合成到一张图，若色调不和谐，可将合成后的图作为垫图（iw 2），在 MJ 中重新生图，提示词如“垫图 url + Little girl wearing a yellow floral skirt,and her friend brown bear,taking shelter in the cave,rainstorm,super high details,HDsmooth,by Jon Burgerman,s 400 ar 3:4 niji 5 style expressive iw 2”。 在 StableDiffusion（SD）中绘制一致性多角度头像： 准备工作：准备一张人物的多角度图片，尺寸设置为 1328×800px，放大两倍后保证每张小图都是 512×512px。加上网格图，通过 lineart 来分割不同的块面。设置 controlnet，第一张图选择 openpose_face 得到人物的 15 个面部角度，第二张图选择 lineart_standard得到清晰的表格分区，为防止小图模式下人脸崩坏，可增加 ADetailer 的脸部修复插件。 制作数字人的工具： HeyGen：AI 驱动的平台，可创建逼真的数字人脸和角色，适用于游戏、电影和虚拟现实等应用。 Synthesia：AI 视频制作平台，允许创建虚拟角色并进行语音和口型同步，支持多种语言，可用于教育视频、营销内容和虚拟助手等场景。 DID：提供 AI 拟真人视频产品服务和开发，上传人像照片和输入要说的内容，平台提供的 AI 语音机器人将自动转换成语音，然后合成逼真的会开口说话的视频。 更多数字人工具请访问网站查看：https://www.waytoagi.com/category/42 。请注意，这些工具的具体功能和可用性可能会变化，使用时请遵守相关条款和政策，并注意版权和伦理责任。
2024-10-28
如何利用自动对齐技术，确保16位不同地点的人员录制的同一句口号音频同步且整齐，请推荐具有此功能的音频编辑工具、网站或AI工具，以便将这16段音频精确叠加并融合成一个协调一致的整体
以下是关于利用自动对齐技术确保 16 位不同地点人员录制的同一句口号音频同步且整齐的相关信息及工具推荐： 在音频编辑中，常见的步骤如下： 1. 选择合适的数字音频工作站（DAW），如 Studio One。上传 FLAC 无损格式的音频，只对融合部分进行 Inpaint 处理，保持其他音频信息不变，以避免音质问题。 2. 在 DAW 中对接音轨后，播放试听，并缩放波形图，检查波形是否正确对齐。若出现波形未对齐或播放时有咔哒声等问题，可能是在导出和处理过程中对音频施加了额外的效果器处理，如混响、限制器、压缩等，导致音频前后不一致，影响对接效果。因此，需要确保在不同的导出和处理步骤中，音频不受到额外的处理，或者在每次处理时保持相同的效果设置。 具有此功能的音频编辑工具和网站包括： 1. Studio One：可用于对齐拼接音轨，并进行后续的叠加额外音轨、调整音量和平衡等操作，以丰富音频的层次，注意叠加后各音轨的电平，避免过载或失衡。 2. Udio：具有混音功能，可对现有剪辑进行微妙或明显的变化。在提示框中有新的区域，通过滑块控制混音效果的强度。 此外，阿里的相关研究全面概述了大语言模型自动对齐的主要技术路径，将现有的自动对齐方法分为四大类：利用模型固有偏好实现对齐、通过模仿其他模型行为实现对齐、利用其他模型反馈实现对齐、通过环境交互获得对齐信号，并探讨了自动对齐背后的机理以及实现有效自动对齐的关键因素。但此研究主要针对大语言模型，对于音频对齐的直接应用可能有限。
2024-10-17
有哪些中文 ai 语音合成的项目
以下是一些中文 AI 语音合成的项目： ：基于 AI 的语音引擎能够模仿人类语音的情感和韵律。 ：基于 NLP 的最先进文本和音频编辑平台，内置数百种 AI 声音。 ：使用突触技术和脑机接口将想象的声音转化为合成 MIDI 乐器的脑控仪器。 ：为出版商和创作者开发最具吸引力的 AI 语音软件。 ：Wondercraft 使用户能够使用文本转语音技术生成播客。 ：基于生成机器学习模型构建内容创作的未来。 ：从网页仪表板或 VST 插件生成录音室质量的 AI 声音并训练 AI 语音模型。 ：演员优先、数字双重声音由最新的 AI 技术驱动，确保高效、真实和符合伦理。 ：将书面内容转化为引人入胜的音频，并实现无缝分发。 ：专业音频、语音、声音和音乐的扩展服务。 （被 Spotify 收购）：提供完全表达的 AI 生成语音，带来引人入胜的逼真表演。 ：利用合成媒体生成和检测，带来无限可能。 ：一键使您的内容多语言化，触及更多人群。 ：生成听起来真实的 AI 声音。 ：为游戏、电影和元宇宙提供 AI 语音演员。 ：为内容创作者提供语音克隆服务。 ：超逼真的文本转语音引擎。 ：使用单一 AI 驱动的 API 进行音频转录和理解。 ：听起来像真人的新声音。 ：从真实人的声音创建逼真的合成语音的文本转语音技术。 ：生成听起来完全像你的音频内容。 ：为所有人提供开放的语音技术。 在境内深度合成服务算法备案清单（2023 年 6 月）中，相关的有： 讯飞语音识别算法：服务提供者为科大讯飞股份有限公司，应用于讯飞输入法（APP）的文本生成场景，提取语音中声学特征，结合语言模型，识别短音频，生成文本信息。备案编号为网信算备 340104764864601230013 号。 讯飞星火认知大模型算法：服务技术支持者为科大讯飞股份有限公司，应用于开放域对话生成场景，利用文本、代码、prompt 数据及用户反馈数据训练 AI 大模型，服务于问答、咨询类的企业端客户，通过 API 提供文本生成服务。备案编号为网信算备 340104764864601230021 号。 美图图像深度合成类算法：服务提供者为厦门美图网科技有限公司，应用于图像生成场景，基于图像内容理解结果，实现对用户上传照片的艺术化重新生成。涉及美图设计室（APP）、美图秀秀（APP）、美颜相机（APP）等。备案编号为网信算备 350203814951001230015 号。 UC 小蜜智能客服算法：服务提供者为广州市动景计算机科技有限公司，应用于 UC 浏览器（APP）的在线智能客服场景，利用自然语言技术定位用户需求，生成文本、图像、音频、视频等形式的回答。备案编号为网信算备 440106203028801230019 号。 易次元生成合成算法：服务提供者为广州网易计算机系统有限公司，应用于易次元（APP）的对话生成场景，根据用户输入内容，应用对话模型，生成对话文本回复。备案编号为网信算备 440106306769001230011 号。
2024-10-14