AI Modelleri
AI modellerini alfabetik inceleyin ve belgelenen yeteneklerini karşılaştırın
LivePortrait
LivePortrait, Kuaishou Technology tarafından geliştirilen ve tek bir statik portre fotoğrafından ifade dolu ve canlı yüz animasyonları üreten verimli bir AI portre animasyon modelidir. Model, bir kaynak portre görüntüsü ve yüz hareketleri içeren bir sürücü video alır, ardından videodaki ifadeleri, baş rotasyonlarını, göz hareketlerini ve ağız jestlerini orijinal kişinin kimliğini ve görünümünü koruyarak portreye aktarır. Çarpıtma tabanlı render ile örtük anahtar nokta algılama mimarisi üzerine inşa edilen LivePortrait, etkileşimli uygulamalar ve canlı içerik oluşturma için pratik hale getiren gerçek zamanlı çıkarım hızları sağlar. Model, portre animasyonunda yüz sınırı bozulması, boyun kopması ve doğal olmayan göz hareketleri gibi yaygın artefaktları önleyen dikiş ve yeniden hedefleme modülleri sunarak öznenin doğal görünümünü koruyan kusursuz sonuçlar üretir. LivePortrait, fotoğraflar, tablolar, illüstrasyonlar ve hatta çizgi film karakterleri dahil çeşitli portre türlerini işleyerek animasyon yaklaşımını farklı sanatsal stillere uyarlar. Model, kaş kaldırma, göz kırpma veya gülümseme yoğunluğu gibi belirli yüz özelliklerinin bağımsız olarak seçici animasyonuna olanak tanıyan bireysel yüz eylem birimleri üzerinde ince ayarlı kontrol destekler. MIT lisansı altında tamamen açık kaynaklı olan LivePortrait, ComfyUI ve diğer yaratıcı araçlara entegre edilmiştir. Yaygın uygulamalar arasında sosyal medya için animasyonlu avatarlar oluşturma, sanal sunucular için yüz animasyonları üretme, tarihi fotoğraflardan ilgi çekici içerik oluşturma ve müzeler için etkileşimli portre deneyimleri geliştirme yer alır.
LTX Video
LTX Video, Lightricks tarafından geliştirilen ve görsel kaliteden ödün vermeden üretim hızı ve verimliliği vurgulayarak 24 kare/saniye hızında 768x512 çözünürlükte videolar üreten gerçek zamanlı bir video üretim modelidir. Kasım 2024'te yayınlanan LTX Video, hızlı çıkarım için optimize edilmiş transformer tabanlı bir mimari üzerine inşa edilmiş olup birçok rakip modelden daha hızlı video içeriği üretebilir. Bu özellik, onu etkileşimli uygulamalar ve hızlı iterasyon gerektiren iş akışları için özellikle uygun kılar. Model, doğal dil açıklamalarını yorumlayarak tutarlı hareket, tutarlı sahne dinamikleri ve görsel olarak çekici çıktı kalitesine sahip kısa video klipler üreten metinden videoya üretimi destekler. LTX Video'nun mimarisi, profesyonel yaratıcı uygulamalar için gereken kaliteyi korurken hesaplama gereksinimlerini azaltan verimli dikkat mekanizmaları ve optimize edilmiş gizli uzay işlemleri içerir. Model, doğal hareketli insan özneleri, dinamik öğeler içeren çevresel sahneler, soyut görsel içerik ve stilize sanatsal yorumlar dahil çeşitli içerik türleri üretmede yetkinlik sergiler. LTX Video, API erişilebilirliği ve popüler geliştirme çerçeveleriyle uyumluluğu aracılığıyla mevcut yaratıcı iş akışlarına entegrasyonu destekler. Gerçek zamanlı performans vurgusu, onu etkileşimli içerik oluşturma araçları, canlı önizleme sistemleri ve uzun üretim sürelerinin yaratıcı akışı bozacağı prototip üretimi gibi uygulamalar için özellikle değerli kılar. Apache 2.0 lisansı altında sunulan LTX Video, Hugging Face üzerinde ve fal.ai ile Replicate dahil bulut platformları aracılığıyla erişilebilir olup hem yerel dağıtım hem de bulut tabanlı entegrasyon sağlar. Lightricks'in yaratıcı araçlar şirketi olarak geçmişi, modelin pratik kullanılabilirliğe odaklanmasına yansımış olup optimizasyonlar günlük yaratıcı süreçlerinde çıktı kalitesinin yanı sıra iş akışı verimliliğine öncelik veren içerik üreticileri ve tasarımcıların ihtiyaçlarına yöneliktir.
Luma Dream Machine
Luma Dream Machine, Luma AI tarafından geliştirilen ve metin istemlerinden veya referans görsellerden etkileyici hız ve görsel kaliteyle gerçekçi beş saniyelik video klipler oluşturan hızlı bir video üretim modelidir. Haziran 2024'te yayınlanan Dream Machine, doğal hareket dinamikleri, tutarlı karakter görünümleri ve fiziksel olarak tutarlı sahne geçişleri içeren klipler üretmek için büyük ölçekli video verisi üzerinde eğitilmiş transformer tabanlı bir mimariden yararlanır. Modelin öne çıkan özelliği üretim hızıdır; rekabetçi görsel kaliteyi korurken birçok rakip modelden önemli ölçüde daha hızlı video çıktıları üreterek hızlı denemenin vazgeçilmez olduğu iteratif yaratıcı iş akışları için özellikle uygun hale gelir. Dream Machine; kullanıcıların sahneleri detaylı doğal dil istemleriyle tanımladığı metinden videoya modunu ve durağan bir görselin başlangıç karesi olarak hizmet ettiği ve modelin makul ileri hareket ve sahne evrimi ürettiği görselden videoya modunu destekler. Model, insan hareketi, su akışı ve rüzgar efektleri gibi çevresel dinamikler, kamera hareketleri ve aydınlatma geçişleri üretmede güçlü yetenekler sergiler. Fotorealistik içerikten stilize ve sanatsal yorumlara kadar çeşitli görsel stilleri yönetir. Dream Machine'in mimarisi, uzamsal ilişkileri anlamasını ve üretilen diziler boyunca 3B tutarlılığı korumasını sağlayarak nesnelerin kareler arasında göreceli konumlarını ve oranlarını koruduğu videolar üretir. Luma AI platformu üzerinden tescilli bir hizmet olarak sunulan ve fal.ai ile Replicate gibi sağlayıcılar aracılığıyla API erişimi olan Dream Machine, sıradan kullanıcılar için ücretsiz katman erişimi ile kredi tabanlı bir fiyatlandırma modeliyle çalışır. Model, hızlı görsel prototipleme ve içerik üretim iş akışları için üretim hızı ve çıktı kalitesi kombinasyonuna değer veren içerik üreticileri, sinemacılar ve tasarımcılar arasında popüler hale gelmiştir.
Luma Image-to-Video
Luma Image-to-Video, Luma AI'nın Dream Machine'inin durağan görsellerden doğal hareket dinamikleri üreterek çekici video içeriği oluşturmak için tasarlanmış görsel animasyon yeteneğidir. Haziran 2024'te yayınlanan bu özellik, kullanıcıların fotoğrafları, illüstrasyonları ve dijital sanat eserlerini öznelerin doğal hareket ettiği, ortamların canlandığı ve kamera perspektiflerinin sinematik akıcılıkla değiştiği animasyonlu dizilere dönüştürmesini sağlar. Model, giriş görselini analiz ederek uzamsal kompozisyonunu, derinlik katmanlarını, özne konumlarını ve anlamsal içeriğini anlar, ardından bağlamsal olarak uygun ve fiziksel olarak makul hareket üreterek animasyon boyunca kaynağın görsel kimliğini korur. Dream Machine'in görselden videoya modu, metinden videoya yeteneğiyle aynı hızlı üretim hızından yararlanarak birçok rakipten önemli ölçüde daha hızlı sonuçlar üretir ve yaratıcı keşif sırasında hızlı iterasyon sağlar. İnsan hareketi ve ifadeleri, akan su ve sallanan bitkiler gibi çevresel dinamikler, kamera hareketleri ve ince atmosferik efektler dahil çeşitli hareket türleri üretmede yetkinlik sergiler. Kullanıcılar üretilen hareketin yönünü yönlendirmek için isteğe bağlı metin istemleri sağlayabilir. Farklı platform gereksinimlerine uyum sağlayan çeşitli çözünürlükleri ve süreleri destekler. Luma AI platformu üzerinden ve fal.ai ile Replicate aracılığıyla API erişimi sunan hizmet, ücretsiz katman erişimi ile Dream Machine kredi sistemiyle çalışır. Mevcut görsel varlıklardan özelleşmiş animasyon becerileri olmadan hızla animasyonlu içerik üretmesi gereken sosyal medya yaratıcıları, dijital sanatçılar ve pazarlama profesyonelleri arasında popüler hale gelmiştir.
Meshy
Meshy, Meshy AI tarafından geliştirilen, metin açıklamalarından ve görsellerden detaylı, üretime hazır 3D modeller oluşturan tescilli bir AI destekli 3D üretim platformudur. Platform metinden 3D'ye ve görselden 3D'ye yetenekleri gelişmiş AI doku kaplama özellikleriyle birleştirerek hızlı 3D içerik üretimi için kapsamlı bir çözüm sunar. Meshy, PBR uyumlu malzemelerle dokulu 3D mesh'ler üreten transformer tabanlı bir mimari kullanır ve çıktıları ek işlem gerektirmeden Unity ve Unreal Engine gibi oyun motorlarında doğrudan kullanılabilir hale getirir. Platform yazılı açıklamalardan nesne oluşturmak için metinden 3D'ye, fotoğrafları 3D modellere dönüştürmek için görselden 3D'ye ve mevcut dokusuz mesh'lere gerçekçi malzemeler uygulamak için AI doku kaplama dahil birden fazla üretim modu sunar. Üretilen modeller uygun UV haritalama, normal haritalar ve profesyonel iş akışlarına uygun fiziksel tabanlı render malzemeleri içerir. Meshy hem web tabanlı arayüz hem de programatik erişim için API sağlayarak bireysel sanatçılar için erişilebilir ve kurumsal süreçler için ölçeklenebilir bir yapı sunar. Platform özellikle büyük hacimde 3D varlık üretmesi gereken oyun geliştiricileri, animasyon stüdyoları ve AR/VR içerik üreticileri arasında popülerdir. 2023'te piyasaya sürülen tescilli bir ticari hizmet olarak Meshy sınırlı üretimler için ücretsiz katman erişimi olan bir abonelik modeliyle çalışır. Platform çıktı kalitesini, topoloji optimizasyonunu ve doku sadakatini iyileştirmek için modellerini sürekli güncellemekte ve hızla gelişen AI 3D üretim pazarındaki diğer hizmetlerle doğrudan rekabet etmektedir.
Midjourney v6
Midjourney v6, Midjourney Inc. tarafından geliştirilen ve karakteristik estetik kalitesi ve fotorealistik yetenekleriyle AI ile üretilmiş sanatta sektör lideri olarak kabul edilen 20 Aralık 2023’te yayınlanan altıncı büyük sürümdür. Yalnızca Discord ve Midjourney web arayüzü üzerinden erişilebilen v6, önceki sürümlere kıyasla prompt anlama, tutarlılık ve görsel kalitede önemli iyileştirmeler getirmiştir. Model, birçok kullanıcının ayırt edici sinematik kalite olarak nitelendirdiği aydınlatma, doku, kompozisyon ve atmosfere dikkat çekici özen gösteren görsel olarak çarpıcı görseller üretmede öne çıkar. Midjourney v6, fotorealistik renderda güçlü performans göstererek kontrollü karşılaştırmalarda sıklıkla profesyonel fotoğrafçılıktan ayırt edilemeyen sonuçlar elde eder. Karmaşık sanatsal yönergeleri iyi yönetir ve stil, atmosfer ve duygusal ton gibi nüanslı açıklamaları anlar. Model standart ve ham stiller, ölçeklendirme seçenekleri ve en-boy oranı özelleştirmesi dahil çeşitli çıktı modlarını destekler. Kamuya açık ağırlıkları olmayan kapalı kaynaklı tescilli bir model olmasına rağmen, tutarlı kalitesi ve kullanım kolaylığı onu en popüler ticari AI görsel üreticisi yapmıştır. Kreatif profesyoneller, illüstratörler, konsept sanatçıları, pazarlama ekipleri ve hobi sahipleri profesyonel portföy çalışmalarından sosyal medya içeriğine ve yaratıcı keşfe kadar her şey için Midjourney v6'ya güvenir. Abonelik tabanlı fiyatlandırma modeli, gündelik kullanıcılardan yüksek hacimli profesyonellere kadar farklı katmanlar sunar.
MiniMax H3
MiniMax H3, metin ve medya referanslarından sesli video üretir. Bu kaynak incelemesi; hizmet erişimini, kısıtlı açık ağırlıkları ve ürün sahnesinin gerektirdiği kontrolleri ayırır.
Minimax Video-01
Minimax Video-01, MiniMax'ın Hailuo AI platformunu güçlendiren amiral gemisi video üretim modelidir ve metin açıklamalarından ve görsellerden yüksek kaliteli video klipler üretebilir. Eylül 2024'te yayınlanan model, dikkat çekici doğal hareket, sinematik kamera hareketleri ve video kareleri boyunca tutarlı karakter tasviri üretmesiyle hızla dikkat çekti. Video-01, 720p çözünürlükte 25fps ile 6 saniyeye kadar klipler üretir. Model, gerçekçi insan hareketi, yüz ifadeleri ve su akışı, ateş ve rüzgar efektleri gibi çevresel dinamiklerde özel güç sergiler. Görsel olarak etkileyici ama fiziksel olarak mantıksız hareket üreten birçok rakibin aksine, Video-01 üretilen klipler boyunca güçlü fiziksel tutarlılık korur. Hem metinden videoya hem de görselden videoya üretim modlarını destekler. MiniMax'ın yaklaşımı, kareler arası tutarlılığı sağlamak için büyük ölçekli bir transformer mimarisini zamansal dikkat mekanizmalarıyla birleştirir. Hailuo AI web platformu üzerinden freemium modelle erişilebilir. Video-01, tüketici video üretim alanında Runway Gen-3, Kling 1.5 ve Luma Dream Machine ile rekabet eder.
Mochi 1
Mochi 1, Genmo tarafından geliştirilen ve yüksek hareket sadakati ile zamansal tutarlılık sunan, serbestçe erişilebilir en yetenekli video üretim modellerinden biri olarak kendini kanıtlamış açık kaynaklı bir video üretim modelidir. Ekim 2024'te 10 milyar parametreyle yayınlanan Mochi 1, bazı tescilli alternatiflere rakip olan olağanüstü akıcı hareket, tutarlı karakter görünümleri ve doğal sahne dinamikleri içeren klipler üretir. Metin istemlerini bir dil kodlayıcısı aracılığıyla işleyen ve iteratif gürültü giderme süreciyle video üreten transformer mimarisi üzerine inşa edilmiştir ve uzun kare dizilerinde zamansal tutarlılığı korumaya odaklanan mimari yeniliklere sahiptir. Birçok rakip açık kaynak modelin belirgin artefaktlar ürettiği alanlarda gerçekçi insan hareketi, yüz ifadeleri, kamera hareketleri ve nesneler arası fiziksel etkileşimler üretmede güçlü yetenekler sergiler. Detaylı prompt yorumlamayla metinden videoya üretimi destekleyerek belirtilen sahneleri, eylemleri ve stilleri doğru şekilde yansıtan klipler üretir. 10 milyar parametreyle mevcut en büyük açık kaynak video üretim modellerinden biridir ve bu ölçek karmaşık görsel detayları yakalama ve tutarlılığı koruma konusundaki üstün yeteneğine katkıda bulunur. Fotorealistik içerik, stilize animasyon ve sanatsal yorumlar dahil çeşitli görsel stilleri rekabetçi kalitede yönetir. Apache 2.0 lisansı altında Hugging Face, fal.ai ve Replicate üzerinde erişilebilir olup hem araştırma hem de ticari uygulamalara olanak tanır. Açık kaynak video üretimi için yeni bir standart belirleyen ve tescilli API hizmetlerinin kısıtlamaları olmadan yetenekli video üretimine ihtiyaç duyan geliştiriciler için cazip bir alternatif sunan hareket kalitesiyle özellikle takdir görmüştür.
Mochi 1 Preview
Mochi 1 Preview, Genmo tarafından geliştirilen ve üretilen video içerikte hareket kalitesi ile fiziksel gerçekçilik konusunda yeni bir standart belirleyen açık kaynaklı bir metinden videoya AI modelidir. Asimetrik Diffusion Transformer mimarisi üzerine inşa edilmiş 10 milyar parametresiyle Mochi 1 Preview, onu rakip modellerden ayıran dikkat çekici derecede doğal ve fiziksel olarak makul hareketlere sahip videolar üretir. Asimetrik mimari, uzamsal ve zamansal bilgiyi ilgili özellikleri için optimize edilmiş özel yollar aracılığıyla işler ve nesnelerin gerçekçi momentum, yerçekimi ve etkileşim dinamikleriyle hareket ettiği videolar üretir. Mochi 1 Preview, saniyede 30 kare ile 480p çözünürlükte düzgün ve sürekli hareketle videolar üretir ve önceki video üretim modellerinde yaygın olan zamansal titreme ve nesne dönüşüm artefaktlarından arındırılmıştır. Model, akışkan dinamikleri, katı cisim etkileşimleri ve ateş, duman, su gibi doğal fenomenler dahil gerçek dünya fiziğinin güçlü anlayışını göstererek fiziksel gerçekliğe dayanan içerik üretir. Mochi 1 Preview, kamera hareketlerini, sahne geçişlerini ve belirli hareket koreografisini tanımlayan detaylı metin promptlarına iyi yanıt vererek yaratıcılara üretilen çıktı üzerinde anlamlı kontrol sağlar. Apache 2.0 lisansı altında tamamen açık kaynaklı olan model, tescilli video üretim hizmetlerine en güçlü açık alternatiflerden birini temsil eder. Temel uygulamalar arasında film ve reklam ön prodüksiyonu için konsept videolar oluşturma, sosyal medya video içeriği üretme, animasyonlu ürün gösterimleri üretme ve pahalı canlı çekim prodüksiyonuna geçmeden önce video fikirlerinin prototipini oluşturma yer alır.
ModelScope T2V
ModelScope T2V, Alibaba DAMO Academy tarafından geliştirilen ve işlevsel bir metinden videoya üretim hattını araştırma topluluğuna serbestçe sunarak erişilebilir video üretim araştırmasına öncülük eden erken dönem açık kaynaklı bir text-to-video üretim modelidir. Mart 2023'te yayınlanan ModelScope T2V, pratik metinden videoya üretim yeteneklerini sergileyen ilk açık kaynak modellerden biri olarak alandaki sonraki gelişmeler için önemli bir temel çizgi oluşturmuştur. 1,7 milyar parametreli bir difüzyon mimarisi üzerine inşa edilen model, görsel üretimde kanıtlanmış gizli difüzyon yaklaşımını zamansal alana genişleterek metin açıklamalarından kısa video klipler üretilmesini sağlayan zamansal konvolüsyon ve dikkat katmanları içerir. Mimari, metin istemlerini bir CLIP metin kodlayıcısı aracılığıyla işler ve eklenmiş zamansal boyutlara sahip değiştirilmiş bir U-Net aracılığıyla temel hareket tutarlılığı ve prompt uyumu içeren klipler üretir. Çıktı kalitesi Sora veya Runway Gen-3 Alpha gibi daha yeni modellerle karşılaştırıldığında mütevazı olsa da ModelScope T2V, araştırmacıların ve geliştiricilerin deneyebileceği, değiştirebileceği ve üzerine inşa edebileceği ilk gerçek anlamda erişilebilir açık kaynak uygulamayı sağlayarak video üretim teknolojisinin demokratikleştirilmesinde önemli bir tarihsel rol oynamıştır. Model, tanınabilir özneler ve temel hareket kalıplarıyla basit sahne açıklamalarını yöneterek orta çözünürlüklerde kısa video klipler üretimini destekler. Yaygın kullanım alanları arasında araştırma deneyleri, video üretim kavramlarının eğitim amaçlı gösterimi, video fikirlerinin hızlı prototiplenmesi ve daha gelişmiş modellerin eğitimi ile ince ayarı için temel çizgi olarak hizmet etme yer alır. Hugging Face ve Replicate üzerinde Apache 2.0 lisansı altında erişilebilen ModelScope T2V, son teknoloji kalitenin gerekli olmadığı ancak minimum hesaplama yüküyle işlevsel video üretim yeteneğinin gerektiği senaryolarda hafif ve kaynak verimli bir seçenek olarak geçerliliğini korumaktadır.
MODNet
MODNet (Matting Objective Decomposition Network), ZHKKKe tarafından geliştirilen, önceden tanımlanmış trimap veya ek kullanıcı girdisi gerektirmeden gerçek zamanlı insan portresi arka plan kaldırma için tasarlanmış açık kaynaklı bir portre matlama modelidir. Manuel trimap gerektiren geleneksel matlama yaklaşımlarının aksine MODNet, karmaşık matlama hedefini üç alt göreve ayrıştırarak tam otomatik portre matlaması gerçekleştirir: kişi bölgesini tanımlayan anlamsal tahmin, saç ve giysi sınırlarındaki kenar kalitesini iyileştiren detay tahmini ve her iki sinyali yüksek kaliteli alfa matına birleştiren anlamsal-detay füzyonu. Bu ayrıştırma, gerçek zamanlı hızlarda verimli tek geçişli çıkarım sağlayarak gecikmenin kritik olduğu video konferans, canlı yayın ve mobil fotoğrafçılık uygulamaları için pratik kılar. Model, segmentasyon tabanlı yaklaşımlar için zorlayıcı olan saç telleri, kumaş kenarları ve ince sınır detaylarını ele almada güçlü, pürüzsüz ve doğru alfa matlar üretir. Hem görsel hem video girişini destekleyen MODNet, titreşim olmadan kararlı video matlama için zamansal tutarlılık optimizasyonları sunar. Mobil cihazlarda ve kenar donanımda çalışacak kadar hafiftir; ONNX dışa aktarma desteğiyle iOS, Android ve WebAssembly aracılığıyla web tarayıcılarında dağıtım mümkündür. Yaygın uygulamalar video görüşme arka plan değiştirme, portre modu fotoğrafçılık, sosyal medya içerik oluşturma, sanal deneme sistemleri ve film post-prodüksiyonunda yeşil ekran alternatifleridir. Apache 2.0 lisansıyla yayınlanan MODNet, hem araştırma hem üretim portre matlama uygulamalarında yaygın biçimde benimsenmiş ücretsiz ve verimli bir çözüm sunar.
MotionDiffuse
MotionDiffuse, Mingyuan Zhang ve ekibi tarafından geliştirilen ve doğal dil metin açıklamalarından gerçekçi 3D insan hareket dizileri üreten öncü bir difüzyon modelidir. Model, 'bir kişi ileri yürüyor ve el sallıyor' veya 'birisi arka takla atıyor' gibi metin promptları alarak doğal vücut dinamikleri ve fiziksel tutarlılıkla karşılık gelen 3D iskelet tabanlı animasyon verisi üretir. Yaklaşık 200 milyon parametreli difüzyon mimarisi üzerine inşa edilen MotionDiffuse, insan hareketinin doğal çeşitliliğini yakalayan olasılıksal hareket üretimi sunarak aynı metin girdisi için birden fazla makul hareket varyasyonu oluşturur. Model, hem tek eylem hem de ardışık çoklu eylem üretimini destekleyerek farklı aktiviteler arasında akıcı geçişler yapan karmaşık hareket dizilerinin oluşturulmasını sağlar. MotionDiffuse, HumanML3D ve KIT-ML dahil büyük ölçekli hareket yakalama veri setleri üzerinde eğitilmiştir ve semantik açıklamaları tüm vücut iskeleti boyunca fiziksel olarak gerçekçi eklem rotasyonlarına ve ötelemelerine eşlemeyi öğrenmiştir. Üretilen hareket verileri, Blender, Maya ve Unity dahil 3D animasyon yazılımlarıyla uyumlu standart formatlarda dışa aktarılabilir. MIT lisansı altında yayınlanan model, hem araştırma hem de ticari uygulamalar için tamamen açık kaynaklıdır. Temel kullanım alanları arasında oyunlar ve filmler için karakter animasyonları üretme, poz tahmin modelleri için eğitim verisi oluşturma, koreografi prototipleme, VR ve AR avatar hareketleri üretme ve geleneksel olarak yetenekli hareket yakalama sanatçıları gerektiren tekrarlayan animasyon görevlerini otomatikleştirme yer alır.
MusicGen
MusicGen, Meta AI Research tarafından AudioCraft çerçevesinin bir parçası olarak geliştirilen tek aşamalı transformer tabanlı müzik üretim modelidir. Haziran 2023'te MIT lisansı altında yayınlanan MusicGen, birden fazla model gerektiren kademeli yaklaşımların aksine EnCodec'ten gelen sıkıştırılmış ayrık ses temsilleri üzerinde çalışan tek bir otoregresif dil modeli kullanır. Model 300M'den 3.3B parametreye kadar birden fazla boyutta sunularak kullanıcıların kalite ile hesaplama gereksinimleri arasında denge kurmasına olanak tanır. MusicGen metin açıklamalarından 32 kHz'de yüksek kaliteli mono ve stereo müzik üretir ve geniş bir tür, enstrüman, ruh hali ve müzikal stil yelpazesini destekler. Kullanıcılar tür, tempo, enstrümantasyon ve atmosfer gibi doğal dil komutlarıyla istenen müziği tanımlayabilir ve model belirtilen özelliklere uyan tutarlı müzikal kompozisyonlar üretir. Metinden müzik üretiminin ötesinde MusicGen, mevcut bir ses klibinin üretilen çıktının melodik yapısını yönlendirdiği melodi koşullandırmayı da destekleyerek daha kontrollü müzik oluşturmaya imkan tanır. Model hem nesnel ölçütlerde hem de öznel dinleme değerlendirmelerinde güçlü sonuçlar elde eder ve 30 saniyeye kadar doğal ve müzikal açıdan tutarlı müzik üretir. Kod ve ağırlıkları GitHub ve Hugging Face üzerinde mevcut olan tamamen açık kaynak bir model olarak MusicGen hem araştırma hem de yaratıcı topluluklarda en yaygın benimsenen AI müzik üretim araçlarından biri haline gelmiştir. Audiocraft Python kütüphanesi ve topluluk tarafından oluşturulan çeşitli arayüzler aracılığıyla mevcut ses prodüksiyon iş akışlarına kolayca entegre olur. MusicGen özellikle talep üzerine telifsiz arka plan müziği üretmeye ihtiyaç duyan içerik üreticileri, oyun geliştiricileri ve müzisyenler arasında popülerdir.
MusicLM
MusicLM, Google Research tarafından geliştirilen, metin açıklamalarından 24 kHz'de yüksek sadakatli müzik üreten text-to-music üretim modelidir. Ocak 2023'te bir araştırma makalesiyle birlikte yayınlanan MusicLM, AI'ın yalnızca doğal dil açıklamalarından birden fazla dakikayı kapsayan tutarlı ve yüksek kaliteli müzik üretebileceğini gösteren ilk modellerden biri olmuştur. Model ses tokenizasyonu için SoundStream ve ses temsil öğrenimi için w2v-BERT'i birleştiren hiyerarşik bir diziden diziye mimari kullanır ve birden fazla zamansal çözünürlükte müzik tokenleri üretir ardından bunlar dalga biçimlerine dönüştürülür. MusicLM enstrümanları, tempoyu, ruh halini ve müzikal özellikleri tanımlayan metin komutlarına dayalı olarak çeşitli türlerde ve tarzlarda müzik üretebilir ve uzun süreler boyunca müzikal tutarlılığı ve yapısal bütünlüğü korur. Model ayrıca kullanıcıların üretilen çıktıyı yönlendiren bir melodi mırıldanabildiği veya ıslık çalabildiği melodi koşullandırmayı destekleyerek daha sezgisel müzik oluşturma iş akışlarına olanak tanır. MusicLM zengin tınısal kalite ve doğal ses dinamikleriyle önceki metinden müziğe yaklaşımlara göre önemli bir iyileşmeyi temsil eden ses üretir. Tescilli bir Google modeli olarak MusicLM açık kaynak değildir ve başlangıçta yalnızca AI Test Kitchen deneysel platformu üzerinden erişilebilirken daha sonra daha geniş Google hizmetlerine entegre edilmiştir. MusicGen ve Suno gibi daha yeni modeller daha geniş benimseme sağlamış olsa da MusicLM yüksek kaliteli metinden müzik üretiminin öncü bir gösterimi olarak tarihsel önemini korumaktadır. Model AI müzik üretim alanındaki sonraki araştırmaları ve ticari gelişmeleri etkilemiş ve metinden müziğe üretimi uygulanabilir ve hızla ilerleyen bir AI araştırma alanı olarak kurulmasına yardımcı olmuştur.
Nano Banana
Nano Banana (teknik adıyla Gemini 2.5 Flash Image), Google DeepMind'ın Ağustos 2025'te yayınlandığında viral olan çığır açıcı text-to-image modelidir. Gemini ekosistemi içinde entegre difüzyon tabanlı multimodal teknoloji üzerine inşa edilmiş olup, metin promptlarından fotorealistik görsel üretir ve sohbet yoluyla konuşma tabanlı görsel düzenleme imkânı sunar. Model, sosyal medyada fenomen haline gelen ayırt edici 3D figürin tarzı çıktılarıyla büyük popülerlik kazandı. Bağımsız görsel üreticilerden farklı olarak Gemini sohbet arayüzü içinde çalışır — kullanıcılar istenen görselleri tanımlayabilir, sonuç alabilir ve doğal konuşma yoluyla iteratif olarak iyileştirebilir. Fotorealizmden illüstrasyona geniş bir stil yelpazesi destekler, karmaşık çok öğeli kompozisyonları yönetir ve görseller içinde okunabilir metin üretir. SynthID filigranı ile Gemini uygulaması üzerinden ücretsiz erişilebilen model, daha önce hiç özel görsel AI araçları kullanmamış milyonlarca kullanıcı için AI görsel üretimini demokratikleştirdi.
Nano Banana 2
Nano Banana 2, diğer adıyla Gemini 3.1 Flash Image, görsel üretir ve düzenler. Teslim için referans uyumunu, iki dilde yazıları, arama desteğini ve API maliyetini değerlendirin.
Nano Banana Pro
Nano Banana Pro (teknik adıyla Gemini 3 Pro Image), Google DeepMind'ın Kasım 2025'te yayınladığı, 4K çözünürlüğe kadar stüdyo kalitesinde görsel çıktı sunan premium görsel üretim modelidir. Orijinal Nano Banana'nın üzerine dramatik iyileştirmeler ekler: infografik ve pazarlama materyalleri için çok dilli okunabilir metin oluşturma, birden fazla görselde 5 farklı kişiye kadar yüz tutarlılığı, kamera açıları, aydınlatma, alan derinliği ve renk grading için gelişmiş yaratıcı kontroller ve gerçek zamanlı veri entegrasyonu için web arama grounding'i. Çok adımlı muhakeme gerektiren karmaşık promptlar için 'düşünme modu' ve geri kalan kısımları etkilemeden belirli bölgeleri değiştirmek için yerelleştirilmiş görsel düzenleme destekler. Fotorealizmde 10 üzerinden 9,0+ ve metin oluşturmada GPT Image'dan sonra en iyi ikinci model olarak, ticari tasarım, pazarlama ve marka içerik üretimi için uygun profesyonel düzeyde sonuçlar sunar. Gemini uygulaması (filigranla ücretsiz), Google AI Studio, Gemini API ve Google Ads üzerinden erişilebilir.
Neural Style Transfer
Neural Style Transfer, Leon Gatys, Alexander Ecker ve Matthias Bethge tarafından 2015'teki çığır açan makalelerinde tanıtılan, evrişimli sinir ağlarının görsellerin içerik ve stilini ayırıp yeniden birleştirebildiğini gösteren öncü algoritmadır. Algoritma iki giriş görseli alır: bir içerik görseli ve bir stil referansı. Ardından, önceden eğitilmiş VGG-19 ağından çıkarılan özellik temsillerini kullanarak birinin içerik yapısını diğerinin sanatsal stilini eş zamanlı yakalayan bir çıktıyı iteratif olarak optimize eder. Derin katmanlar nesne şekilleri ve mekansal düzenlemeler gibi üst düzey içerik bilgilerini yakalarken, sığ katmanlar dokular, renkler ve fırça darbeleri gibi stil özelliklerini kodlar. Bu özellik temsillerine dayanan ayrı içerik ve stil kayıp fonksiyonları tanımlanıp ağırlıklı kombinasyonları gradyan inişi ile minimize edilerek, fotoğrafların tanınabilir içeriğini koruyup tabloların veya diğer sanat eserlerinin görsel estetiğini benimseyen görseller üretilir. Bu temel çalışma, AI destekli sanatsal görsel dönüşümü alanının tamamını başlatmış ve çok sayıda gerçek zamanlı varyant, mobil uygulama ve ticari ürüne ilham kaynağı olmuştur. Orijinal optimizasyon tabanlı yaklaşım GPU'da görsel başına birkaç dakika gerektirirken, Johnson ve diğerlerinin sonraki ileri beslemeli ağ yaklaşımları gerçek zamanlı performansa ulaşmıştır. Algoritma tamamen açık kaynaklıdır ve PyTorch, TensorFlow ile diğer framework'lerde çok sayıda uygulaması mevcuttur. Neural Style Transfer, bilgisayar görüşü eğitiminde temel bir referans noktası olmaya ve modern stil transferi araştırmalarını ile üretken yapay zeka geliştirmelerini etkilemeye devam etmektedir.
One-2-3-45
One-2-3-45, UC San Diego araştırmacıları tarafından geliştirilen, çoklu görünüm üretimini seyrek görünüm 3D rekonstrüksiyonuyla birleştiren iki aşamalı bir hat aracılığıyla tek giriş görselinden dokulu 3D mesh'ler üreten tek görselden 3D rekonstrüksiyon sistemidir. Adı temel süreci yansıtır: bir görselden iki, üç, dört, beş görünüm üret ve ardından tam bir 3D nesne yeniden yapılandır. İlk aşamada ince ayarlı bir Zero123 modeli tek giriş fotoğrafına dayalı olarak nesnenin farklı açılardan birden fazla yeni görünümünü üretir. İkinci aşamada bu üretilen çoklu görünüm görselleri tutarlı geometriye sahip dokulu bir 3D mesh üreten maliyet hacmi tabanlı seyrek görünüm rekonstrüksiyon ağına beslenir. Haziran 2023'te MIT lisansı altında yayınlanan One-2-3-45, 2D difüzyon modellerini 3D rekonstrüksiyonla birleştirmenin bir dakikanın altında makul 3D varlıklar üretebileceğini gösteren ilk sistemlerden biri olmuştur. Model günlük eşyalar, hayvanlar, araçlar ve sanatsal nesneler dahil çeşitli nesne türlerini işler. Nesne başına onlarca dakika süren optimizasyon gerektiren DreamFusion gibi optimizasyon tabanlı yaklaşımların aksine One-2-3-45 ileri beslemeli bir şekilde çalışır ve bu da onu önemli ölçüde daha hızlı kılar. Çıktı mesh'leri renk ve doku bilgisi içerir ve standart 3D uygulamalarda kullanılmak üzere dışa aktarılabilir. Kodu GitHub üzerinde mevcut olan tamamen açık kaynak bir proje olarak tek görselden 3D üretim alanındaki sonraki araştırmalar için etkili bir referans olmuştur. Sistem özellikle sınırlı giriş verisinden hızlı 3D içerik üretimini keşfeden araştırmacılar ve geliştiriciler için kullanışlıdır.
OpenJourney
Openjourney, PromptHero tarafından oluşturulan ve özellikle Midjourney çıktılarının ayırt edici sanatsal stilini kopyalamak için eğitilmiş açık kaynaklı bir Stable Diffusion ince ayar modelidir. Model, Midjourney'i ünlü yapan karakteristik canlı renkler, dramatik aydınlatma, sinematik kompozisyonlar ve resimsel estetiği öğrenerek küratörlü bir Midjourney tarafından üretilmiş görsel veri setinde ince ayarlanmıştır. Promptlarda tetikleyici anahtar kelime kullanarak kullanıcılar, Midjourney aboneliği gerektirmeden Midjourney benzeri kalitede görseller üretebilir. Openjourney, Stable Diffusion 1.5 üzerine inşa edilmiştir ve bu sayede hafif yapıda olup 4GB kadar düşük VRAM ile tüketici GPU'larında erişilebilir şekilde çalıştırılabilir. Model, açık kaynak AI sanat hareketinin ilk günlerinde, abonelik hizmetini karşılayamayan veya erişemeyen kullanıcılar için Midjourney esinli bir estetiğe erişimi demokratikleştirerek büyük popülerlik kazanmıştır. img2img, inpainting ve ControlNet koşullandırma dahil tüm standart Stable Diffusion özelliklerini destekler. Hugging Face ve CivitAI üzerinde mevcut olan Openjourney, ComfyUI, Automatic1111 ve diğer popüler Stable Diffusion arayüzleriyle entegre olur. Dijital sanatçılar, hobi sahipleri, içerik üreticileri ve yaratıcı uygulamalar geliştiren yazılımcılar birincil kullanıcı kitlesini oluşturur. SDXL ve FLUX.1 gibi daha yeni modeller çıktı kalitesini aşmış ve Midjourney stili Openjourney'in yakaladığının ötesinde önemli ölçüde evrimleşmiş olsa da model, sanatsal görsel üretim için hafif bir seçenek olarak ve açık kaynak AI topluluğunda ince ayar yoluyla stil transferinin tarihsel açıdan önemli bir örneği olarak geçerliliğini korumaktadır.
OpenLRM
OpenLRM, Zexiang Xu ve işbirlikçileri tarafından geliştirilen, tek görselden 3D rekonstrüksiyon için Büyük Rekonstrüksiyon Modeli mimarisinin açık kaynak bir uygulamasıdır. Proje, tek giriş görsellerinden ileri beslemeli bir şekilde 3D temsiller tahmin etmek için transformer tabanlı mimari kullanan LRM yaklaşımının tamamen açık ve tekrarlanabilir bir uygulamasını sunar. OpenLRM bir giriş görselini DINOv2 gibi önceden eğitilmiş bir vizyon kodlayıcı aracılığıyla işler, ardından elde edilen özellikleri üç düzlem tabanlı sinirsel ışıma alanı temsili üreten bir transformer kod çözücüye besler ve bu temsil yeni bakış açılarından render edilebilir veya dokulu bir 3D mesh'e dönüştürülebilir. Tüm rekonstrüksiyon modern bir GPU'da yalnızca birkaç saniye sürer ve bu da onu etkileşimli uygulamalar ve toplu işleme iş akışları için pratik kılar. Aralık 2023'te Apache 2.0 lisansı altında yayınlanan OpenLRM, araştırmacıların inceleyebileceği, değiştirebileceği ve üzerine inşa edebileceği erişilebilir bir referans uygulama sağlayarak 3D AI araştırma topluluğundaki kritik bir boşluğu doldurur. Model çeşitli çıktı formatlarını destekler ve oyun geliştirmeden e-ticaret ürün görselleştirmesine kadar uzanan uygulamalar için mevcut 3D süreçlere entegre edilebilir. OpenLRM mobilya, araçlar, karakterler ve günlük eşyalar dahil çeşitli nesne kategorilerini makul geometrik sadakatle işler. Önceden eğitilmiş model ağırlıkları anında kullanım için Hugging Face üzerinde mevcuttur. İleri beslemeli 3D rekonstrüksiyondaki temel açık kaynak projelerden biri olarak OpenLRM, hızla gelişen tek görselden 3D üretim alanındaki birçok alt projeyi ve araştırma çalışmasını doğrudan etkilemiş ve mümkün kılmıştır.
OpenPose
OpenPose, Carnegie Mellon Üniversitesi'nde geliştirilen ve görüntüler ile videolarda birden fazla kişinin vücut, yüz, el ve ayak anahtar noktalarını eşzamanlı olarak algılayan öncü gerçek zamanlı çoklu kişi poz tahmin sistemidir. Gerçek zamanlı çoklu kişi poz algılaması gerçekleştiren ilk açık kaynak sistem olarak OpenPose, bilgisayarlı görü araştırma ve yaratıcı AI uygulamalarında temel bir araç haline gelmiştir. Yaklaşık 25 milyon parametreli CNN (Evrişimli Sinir Ağı) mimarisi üzerine inşa edilen model, kalabalık sahnelerde algılanan vücut parçalarını doğru bireylerle ilişkilendirmek için Part Affinity Fields (PAF'ler) kullanır ve insanlar örtüştüğünde veya birbirini kısmen kapattığında bile doğru poz tahmini sağlar. OpenPose, kişi başına 25 noktalı tam vücut iskeleti, her el için 21 nokta ve 70 noktalı yüz olmak üzere 135'e kadar anahtar nokta algılayarak detaylı hareket analizi için kapsamlı poz bilgisi sunar. Sistem hem görüntüleri hem de video akışlarını işleyerek modern GPU'larda etkileşimli uygulamalar için uygun gerçek zamanlı performans sağlar. OpenPose, özellikle Stable Diffusion ve FLUX tabanlı üretim boru hatlarında ControlNet koşullandırma için standart poz çıkarma yöntemi olarak AI görüntü üretim iş akışlarına kapsamlı şekilde entegre edilmiştir. Özel ticari olmayan lisans altında yayınlanan kaynak kodu GitHub'da mevcuttur ve bilgisayarlı görü depoları arasında en yüksek yıldız sayılarından birine ulaşmıştır. Temel uygulamalar arasında animasyon ve oyun için hareket yakalama, fitness ve rehabilitasyon takibi, spor biyomekaniği analizi, işaret dili tanıma ve AI görüntü üretim araçları için poz koşullandırma sağlama yer alır.
PaddleOCR
PaddleOCR, Baidu tarafından PaddlePaddle derin öğrenme çerçevesi üzerinde geliştirilen, 80'den fazla dili endüstri düzeyinde doğruluk ve hızla destekleyen kapsamlı bir optik karakter tanıma sistemidir. En son PP-OCRv4 mimarisi, her biri maksimum performans için bağımsız olarak optimize edilmiş metin algılama, yön sınıflandırma ve metin tanıma olmak üzere üç aşamalı bir boru hattı kullanır. Hafif yapılandırmasında yaklaşık 15 milyon parametreyle PaddleOCR, doğruluk ve çıkarım hızı arasında olağanüstü bir denge sağlayarak hem sunucu GPU'larında hem de cep telefonları ve gömülü sistemler dahil uç cihazlarda verimli şekilde çalışır. Sistem, eğri metin, döndürülmüş metin, yoğun çok satırlı düzenler ve dokulu arka planlar üzerine yerleştirilmiş metin dahil karmaşık gerçek dünya senaryolarında metin tanımada mükemmel performans sergiler. PaddleOCR, her dil ailesi için özel tanıma modelleriyle Latin, Çince, Japonca, Korece, Arapça, Kiril ve düzinelerce başka yazı sistemini destekler. Temel OCR'nin ötesinde araç seti, taranan belgelerden tablo, başlık ve paragraf çıkarmak için belge yapı analizi ile fatura, fiş ve formlar için anahtar bilgi çıkarma yetenekleri içerir. Apache 2.0 lisansı altında tamamen açık kaynaklı olan PaddleOCR, GitHub'daki en çok yıldızlı OCR depolarından biri haline gelmiştir. Önceden eğitilmiş modeller, eğitim betikleri ve ONNX, TensorRT formatlarında dağıtım araçları sunar. Belge dijitalleştirme, plaka tanıma, fiş işleme ve el yazısı tanıma gibi alanlarda yaygın olarak kullanılır.
160 model bulundu · Sayfa 4 / 7