MuseV

MuseV

开源虚拟人视频生成框架支持无限长度输出

MuseV是一个基于扩散模型的开源虚拟人视频生成框架。该框架支持无限长度视频生成,采用视觉条件并行去噪方案,兼容Stable Diffusion生态系统。MuseV支持图像到视频、文本到视频、视频到视频等多种生成模式,并提供多参考图像技术。该项目还开源了训练代码,为研究人员和开发者提供了完整的虚拟人视频生成解决方案。

MuseV虚拟人视频生成扩散模型无限长度并行降噪Github开源项目

MuseV 英文 中文

<font size=5>MuseV: 基于视觉条件并行去噪的无限长度高保真虚拟人视频生成 </br> 夏志强 <sup>*</sup>, 陈昭康<sup>*</sup>, 吴斌<sup></sup>, 李超, 洪国伟, 詹超, 何颖杰, 周文江 (<sup>*</sup>共同第一作者, <sup></sup>通讯作者, benbinwu@tencent.com) </font>

腾讯音乐娱乐集团 Lyra 实验室

GitHub Hugging Face Hugging Face Space 项目主页 技术报告(即将发布)

我们自2023年3月起就设立了世界模拟器的愿景,相信扩散模型能够模拟世界。MuseV是我们在2023年7月左右取得的一个里程碑成果。受Sora进展的启发,我们决定开源MuseV,希望能为社区带来益处。接下来我们将继续探索有前景的扩散+Transformer方案。

更新:

  1. 我们已发布 <a href="https://github.com/TMElyralab/MuseTalk" style="font-size:24px; color:red;">MuseTalk</a>,这是一个实时高质量的唇形同步模型,可与MuseV结合使用,提供完整的虚拟人生成解决方案。
  2. :new: 我们很高兴宣布MusePose已经发布。MusePose是一个图像到视频生成框架,可以根据姿势等控制信号生成虚拟人。结合MuseV和MuseTalk,我们希望社区能够加入我们,朝着能够端到端生成具有全身运动和交互能力的虚拟人的愿景迈进。

概述

MuseV是一个基于扩散模型的虚拟人视频生成框架,它:

  1. 使用新颖的视觉条件并行去噪方案支持无限长度生成。
  2. 提供了在人类数据集上训练的虚拟人视频生成checkpoint。
  3. 支持图像到视频、文本到图像到视频、视频到视频的生成。
  4. 兼容Stable Diffusion生态系统,包括base_modelloracontrolnet等。
  5. 支持多参考图像技术,包括IPAdapterReferenceOnlyReferenceNetIPAdapterFaceID
  6. 训练代码(即将发布)。

重要bug修复

  1. musev_referencenet_pose:命令中unetip_adaptermodel_name不正确,请使用musev_referencenet_pose而不是musev_referencenet

新闻

  • [2024/03/27] 发布MuseV项目和训练模型musevmuse_referencenet
  • [2024/03/30] 添加Hugging Face Space Gradio界面用于生成视频

模型

模型结构概览

模型结构

并行去噪

并行去噪

案例

所有帧都是直接由文本到视频模型生成,未经任何后期处理。 更多案例请查看**项目主页,包括1-2分钟的视频**。

以下示例可在configs/tasks/example.yaml中找到

文本/图像到视频

人物

<table class="center"> <tr style="font-weight: bolder;text-align:center;"> <td width="50%">图像</td> <td width="45%">视频</td> <td width="5%">提示词</td> </tr> <tr> <td> <img src=./data/images/yongen.jpeg width="400"> </td> <td > <video src="https://github.com/TMElyralab/MuseV/assets/163980830/732cf1fd-25e7-494e-b462-969c9425d277" width="100" controls preload></video> </td> <td>(杰作,最佳质量,高分辨率:1),(1个男孩,单人:1),(眨眼:1.8),(头部摇晃:1.3) </td> </tr> <tr> <td> <img src=./data/images/seaside4.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/9b75a46c-f4e6-45ef-ad02-05729f091c8f" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),平静美丽的海景 </td> </tr> <tr> <td> <img src=./data/images/seaside_girl.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/d0f3b401-09bf-4018-81c3-569ec24a4de9" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),平静美丽的海景 </td> </tr> <!-- 吉他 --> <tr> <td> <img src=./data/images/boy_play_guitar.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/61bf955e-7161-44c8-a498-8811c4f4eb4f" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),弹吉他 </td> </tr> <tr> <td> <img src=./data/images/girl_play_guitar2.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/40982aa7-9f6a-4e44-8ef6-3f185d284e6a" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),弹吉他 </td> </tr> <!-- 名人 --> <tr> <td> <img src=./data/images/dufu.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/28294baa-b996-420f-b1fb-046542adf87d" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),(1个男人,单人:1),(眨眼:1.8),(头部摇晃:1.3),中国水墨画风格 </td> </tr> <tr> <td> <img src=./data/images/Mona_Lisa.jpg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/1ce11da6-14c6-4dcd-b7f9-7a5f060d71fb" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),(1个女孩,单人:1),(美丽的脸庞, 柔软的皮肤,服装:1),(眨眼:{eye_blinks_factor}),(头部摆动:1.3) </td> </tr> </table >

场景

<table class="center"> <tr style="font-weight: bolder;text-align:center;"> <td width="35%">图像</td> <td width="50%">视频</td> <td width="15%">提示词</td> </tr> <tr> <td> <img src=./data/images/waterfall4.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/852daeb6-6b58-4931-81f9-0dddfa1b4ea5" width="100" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),宁静美丽的瀑布,无尽的瀑布 </td> </tr> <tr> <td> <img src=./data/images/seaside2.jpeg width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/4a4d527a-6203-411f-afe9-31c992d26816" width="100" controls preload></video> </td> <td>(杰作,最佳质量,高分辨率:1),宁静美丽的海景 </td> </tr> </table >

视频中间帧到视频

姿势到视频 在"duffy"模式下,视觉条件帧的姿势与控制视频的第一帧不对齐。"posealign"将解决这个问题。

<table class="center"> <tr style="font-weight: bolder;text-align:center;"> <td width="25%">图像</td> <td width="65%">视频</td> <td width="10%">提示词</td> </tr> <tr> <td> <img src=./data/images/spark_girl.png width="200"> <img src=./data/images/cyber_girl.png width="200"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/484cc69d-c316-4464-a55b-3df929780a8e" width="400" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),一个女孩在跳舞,动画 </td> </tr> <tr> <td> <img src=./data/images/duffy.png width="400"> </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/c44682e6-aafc-4730-8fc1-72825c1bacf2" width="400" controls preload></video> </td> <td> (杰作,最佳质量,高分辨率:1),在跳舞,动画 </td> </tr> </table >

MuseTalk

对话的角色"Sun Xinying"是一位超模KOL。你可以在抖音上关注她。

<table class="center"> <tr style="font-weight: bolder;"> <td width="35%">名称</td> <td width="50%">视频</td> </tr> <tr> <td> 对话 </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/951188d1-4731-4e7f-bf40-03cacba17f2f" width="100" controls preload></video> </td> <tr> <td> 唱歌 </td> <td> <video src="https://github.com/TMElyralab/MuseV/assets/163980830/50b8ffab-9307-4836-99e5-947e6ce7d112" width="100" controls preload></video> </td> </tr> </table >

待办事项:

  • 技术报告(即将推出)。
  • 训练代码。
  • 发布预训练的unet模型,该模型使用controlnet、referencenet、IPAdapter进行训练,在姿势到视频方面表现更好。
  • 支持扩散变压器生成框架。
  • 发布"posealign"模块

快速开始

准备Python环境并安装额外的包,如"diffusers"、"controlnet_aux"、"mmcm"。

第三方集成

感谢第三方集成,这使得安装和使用对每个人来说都更加方便。 我们也希望您注意,我们没有验证、维护或更新第三方。具体结果请参考本项目。

ComfyUI

Windows一键集成包

网盘链接:https://www.123pan.com/s/Pf5Yjv-Bb9W3.html

提取码:glut

准备环境

我们建议您主要使用"docker"来准备Python环境。

准备Python环境

注意:我们只用docker进行了测试,使用conda或requirements可能会遇到问题。我们会尝试修复。请使用"docker"。

方法1:docker

  1. 拉取docker镜像
docker pull anchorxia/musev:latest
  1. 运行docker
docker run --gpus all -it --entrypoint /bin/bash anchorxia/musev:latest

默认的conda环境是"musev"。

方法2:conda

从environment.yaml创建conda环境

conda env create --name musev --file ./environment.yml

方法3:pip requirements

pip install -r requirements.txt

准备mmlab包

如果不使用docker,还需额外安装mmlab包。

pip install --no-cache-dir -U openmim mim install mmengine mim install "mmcv>=2.0.1" mim install "mmdet>=3.1.0" mim install "mmpose>=1.1.0"

准备自定义包/修改包

克隆

git clone --recursive https://github.com/TMElyralab/MuseV.git

准备PYTHONPATH

current_dir=$(pwd) export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/MMCM export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/diffusers/src export PYTHONPATH=${PYTHONPATH}:${current_dir}/MuseV/controlnet_aux/src cd MuseV
  1. MMCM: 多媒体跨模态处理包。
  2. diffusers: 基于diffusers修改的diffusers包。
  3. controlnet_aux: 基于controlnet_aux修改。

下载模型

git clone https://huggingface.co/TMElyralab/MuseV ./checkpoints
  • motion: 文本到视频模型,在微小的ucf101webvid数据集上训练,大约60K个视频文本对。GPU内存消耗测试基于分辨率$=512*512$,time_size=12
    • musev/unet: 仅包含并训练unet运动模块。GPU内存消耗$\approx 8G$。
    • musev_referencenet: 训练unet模块、referencenetIPAdapterGPU内存消耗$\approx 12G$。
      • unet: 运动模块,在Attention层中有to_kto_v,参考IPAdapter
      • referencenet: 类似于AnimateAnyone
      • ip_adapter_image_proj.bin: 图像clip嵌入投影层,参考IPAdapter
    • musev_referencenet_pose: 基于musev_referencenet,固定referencenetcontrolnet_pose,训练unet motionIPAdapterGPU内存消耗$\approx 12G$。
  • t2i/sd1.5: 文本到图像模型,在训练运动模块时参数被冻结。不同的t2i基础模型有显著影响,可以替换为其他t2i基础模型。
  • IP-Adapter/models: 从IPAdapter下载。
    • image_encoder: 视觉clip模型。
    • ip-adapter_sd15.bin: 原始IPAdapter模型检查点。
    • ip-adapter-faceid_sd15.bin: 原始IPAdapter模型检查点。

推理

准备模型路径

使用示例任务和示例推理命令运行时可以跳过此步骤。 在配置中设置模型路径和缩写,以便在推理脚本中使用缩写。

  • T2I SD:参考musev/configs/model/T2I_all_model.py
  • Motion Unet: 参考musev/configs/model/motion_model.py
  • 任务: 参考musev/configs/tasks/example.yaml

musev_referencenet

文本到视频

python scripts/inference/text2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev_referencenet --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --target_datas yongen --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --time_size 12 --fps 12

常用参数:

  • test_data_path: yaml扩展中的任务路径。
  • target_datas: 分隔符为,,如果test_data_path中的nametarget_datas中,则采样子任务。
  • sd_model_cfg_path: T2I sd模型路径,模型配置路径或模型路径。
  • sd_model_name: sd模型名称,用于在sd_model_cfg_path中选择完整模型路径。多个模型名称以,分隔,或使用all
  • unet_model_cfg_path: 运动unet模型配置路径或模型路径。
  • unet_model_name: unet模型名称,用于在unet_model_cfg_path中获取模型路径,并在musev/models/unet_loader.py中初始化unet类实例。多个模型名称以,分隔,或使用all。如果unet_model_cfg_path是模型路径,unet_name必须在musev/models/unet_loader.py中受支持。
  • time_size: 每次扩散去噪生成的帧数。默认为12
  • n_batch: 生成镜头的数量,$总帧数=n_batch * time_size + n_viscond$,默认为1
  • context_frames: 上下文帧数。如果time_size>context_frametime_size窗口将被分成多个子窗口进行并行去噪。默认为12

生成长视频有两种方式:

  1. 视觉条件并行去噪: 设置n_batch=1time_size=你想要的所有帧数。
  2. 传统端到端: 设置time_size = context_frames = 一个镜头的帧数(12),context_overlap = 0;

模型参数: 支持referencenetIPAdapterIPAdapterFaceIDFacein

  • referencenet_model_name: referencenet模型名称。
  • ImageClipVisionFeatureExtractor: ImageEmbExtractor名称,用于提取IPAdapter中使用的视觉clip嵌入。
  • vision_clip_model_path: ImageClipVisionFeatureExtractor模型路径。
  • ip_adapter_model_name: 来自IPAdapter,它是ImagePromptEmbProj,与ImageEmbExtractor一起使用。
  • ip_adapter_face_model_name: IPAdapterFaceID,来自IPAdapter以保持面部ID,应设置face_image_path

一些影响运动范围和生成结果的参数

  • video_guidance_scale: 类似于文本到图像,控制条件和无条件之间的影响,默认为3.5
  • use_condition_image: 是否使用给定的第一帧进行视频生成,如果不使用则先生成视觉条件帧。默认为True
  • redraw_condition_image: 是否重绘给定的第一帧图像。
  • video_negative_prompt: 配置路径中完整negative_prompt的缩写。默认为V2

视频到视频

t2i基础模型有显著影响。在这种情况下,fantasticmix_v10majicmixRealv6Fp16表现更好。

python scripts/inference/video2video.py --sd_model_name fantasticmix_v10 --unet_model_name musev_referencenet --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet -test_data_path ./configs/tasks/example.yaml --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dance1 --fps 12 --time_size 12

重要参数

大多数参数与musev_text2video相同。video2video的特殊参数有:

  1. 需要在test_data中设置video_path作为参考视频。现在参考视频支持rgb视频controlnet_middle_video
  • which2video: 是否rgb视频影响初始噪声,rgb的影响强于controlnet条件。
  • controlnet_name:是否使用controlnet条件,如dwpose,depth
  • video_is_middle: video_pathrgb视频还是controlnet_middle_video。可以为test_data_path中的每个test_data设置。
  • video_has_condition: 条件图像是否与video_path的第一帧对齐。如果不是,首先提取condition_images的条件生成,然后与连接对齐。在test_data中设置。 所有controlnet_names指的是mmcm
['pose', 'pose_body', 'pose_hand', 'pose_face', 'pose_hand_body', 'pose_hand_face', 'dwpose', 'dwpose_face', 'dwpose_hand', 'dwpose_body', 'dwpose_body_hand', 'canny', 'tile', 'hed', 'hed_scribble', 'depth', 'pidi', 'normal_bae', 'lineart', 'lineart_anime', 'zoe', 'sam', 'mobile_sam', 'leres', 'content', 'face_detector']

musev_referencenet_pose

仅用于pose2video 基于musev_referencenet训练,固定referencenetpose-controlnetT2I,训练motion模块和IPAdapter

t2i基础模型有显著影响。在这种情况下,fantasticmix_v10表现优于majicmixRealv6Fp16

python scripts/inference/video2video.py --sd_model_name fantasticmix_v10 --unet_model_name musev_referencenet_pose --referencenet_model_name musev_referencenet --ip_adapter_model_name musev_referencenet_pose -test_data_path ./configs/tasks/example.yaml --vision_clip_extractor_class_name ImageClipVisionFeatureExtractor --vision_clip_model_path ./checkpoints/IP-Adapter/models/image_encoder --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dance1 --fps 12 --time_size 12

musev

仅有motion模块,没有referencenet,需要更少的GPU内存。

text2video

python scripts/inference/text2video.py --sd_model_name majicmixRealv6Fp16 --unet_model_name musev -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --target_datas yongen --time_size 12 --fps 12

video2video

python scripts/inference/video2video.py --sd_model_name fantasticmix_v10 --unet_model_name musev -test_data_path ./configs/tasks/example.yaml --output_dir ./output --n_batch 1 --controlnet_name dwpose_body_hand --which2video "video_middle" --target_datas dance1 --fps 12 --time_size 12

Gradio演示

MuseV提供了gradio脚本,可以在本地机器上生成GUI界面,方便地生成视频。

cd scripts/gradio python app.py

致谢

  1. MuseV参考了很多TuneAVideodiffusersMoore-AnimateAnyoneanimatediffIP-AdapterAnimateAnyoneVideoFusioninsightface的内容。
  2. MuseV基于ucf101webvid数据集构建。

感谢开源!

局限性

仍然存在许多局限性,包括:

  1. 缺乏泛化能力。一些视觉条件图像表现良好,一些表现不佳。一些t2i预训练模型表现良好,一些表现不佳。
  2. 视频生成类型有限,动作范围有限,部分原因是训练数据类型有限。发布的MuseV已经在约60K个人类文本-视频对上进行了训练,分辨率为512*320MuseV在较低分辨率下具有更大的动作范围但视频质量较低。MuseV倾向于在高视频质量下生成较少的动作范围。在更大、更高分辨率、更高质量的文本-视频数据集上训练可能会使MuseV表现更好。
  3. 可能出现水印,这是因为使用了webvid。使用更干净的无水印数据集可能会解决这个问题。
  4. 长视频生成类型有限。视觉条件并行去噪可以解决视频生成的累积错误,但当前方法仅适用于相对固定摄像机场景。
  5. referencenet和IP-Adapter训练不足,这是由于时间和资源有限。
  6. 代码结构不够完善。MuseV支持丰富和动态的功能,但代码复杂且未经重构。需要时间来熟悉。

引用

@article{musev, title={MuseV: Infinite-length and High Fidelity Virtual Human Video Generation with Visual Conditioned Parallel Denoising}, author={Xia, Zhiqiang and Chen, Zhaokang and Wu, Bin and Li, Chao and Hung, Kwok-Wai and Zhan, Chao and He, Yingjie and Zhou, Wenjiang}, journal={arxiv}, year={2024} }

免责声明/许可

  1. 代码:MuseV的代码根据MIT许可发布。对学术和商业用途都没有限制。
  2. 模型:训练好的模型仅供非商业研究目的使用。
  3. 其他开源模型:使用的其他开源模型必须遵守它们的许可,如insightfaceIP-Adapterft-mse-vae等。
  4. 测试数据从互联网收集,仅供非商业研究目的使用。
  5. AIGC:本项目致力于积极影响AI驱动的视频生成领域。用户可以自由使用此工具创建视频,但预期他们会遵守当地法律并负责任地使用它。开发者不对用户可能的滥用承担任何责任。

编辑推荐精选

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料��星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多