模型汇总

Embedding

Qwen3-Embedding

• 上下文长度：32K
• 维度：8B(32-4096维)，4B(32-2560维度)，0.6B(32-1024维)
• 支持语言：100多种
• 日期：2025-06-05
• 链接： https://huggingface.co/Qwen/Qwen3-Embedding-4B

BAAI/bge-m3

• 上下文长度：8192
• 维度：1024
• 支持语言：多语言；基于bge-m3-unsupervised的统一微调（密集、稀疏和colbert）
• 日期：2024
• 链接： https://www.modelscope.cn/models/BAAI/bge-m3

Reranker

Qwen3-Reranker

• 基本同Qwen3-Embedding
• 链接： https://www.modelscope.cn/models/Qwen/Qwen3-Reranker-4B
• 方便部署：Qwen3-Reranker-4B（可vllm直接部署） · 模型库

BAAI/bge-reranker-v2-m3

• 基本同BAAI/bge-m3
• 链接： https://www.modelscope.cn/models/BAAI/bge-reranker-v2-m3

TTS

• Qwen3-TTS：
  • 官方版本： https://github.com/QwenLM/Qwen3-TTS ，但是实际测试下来，推理效率很低，有个老哥做了优化： https://github.com/dffdeeq/Qwen3-TTS-streaming
• MOSS-TTSD：
  • 看他们给出的效果还挺惊艳的： https://mp.weixin.qq.com/s/GbqGNl6wW_T-C0ChQ49XFw
  • 链接： https://github.com/OpenMOSS/MOSS-TTSD
• Index-TTS：
  • https://github.com/index-tts/index-tts.git
• CosyTTS：
• Boson AI：
  • boson-ai/higgs-audio: Text-audio foundation model from Boson AI
• VibeVoice：
  • https://www.modelscope.cn/models/microsoft/VibeVoice-Realtime-0.5B
• GLM-TTS：
  • GLM-TTS · 模型库

ASR

• whisper：
  • openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision
• WhisperLiveKit：
  • QuentinFuxa/WhisperLiveKit: Real-time & local speech-to-text, translation, and speaker diarization. With server & web UI.
• GLM-ASR-Nano-2512：
  • https://www.modelscope.cn/models/ZhipuAI/GLM-ASR-Nano-2512
  • 说是比whisper v3要好。

翻译

• Seed-X-PPO-7B · 模型库
• HY-MT1.5-7B · 模型库 - 最新的腾讯混元翻译模型。
  • 2025-12-30

对口型

• LatentSync：bytedance/LatentSync: Taming Stable Diffusion for Lip Sync!
• InfiniteTalk：MeiGen-AI/InfiniteTalk: ​​Unlimited-length talking video generation​​ that supports image-to-video and video-to-video generation
• MultiTalk: https://github.com/MeiGen-AI/MultiTalk
• Ditto: https://github.com/antgroup/ditto-talkinghead
• InfinityYou：InfiniteYou | ByteDance Intelligent Creation

视频生成

• 通义wan系列：
  • Wan-Video/Wan2.1: Wan: Open and Advanced Large-Scale Video Generative Models
  • Wan-Video/Wan2.2: Wan: Open and Advanced Large-Scale Video Generative Models
    •  Wan2.2-S2V-14B：audio-driven cinematic video generation model.
• 腾讯，基于wan2.1：WeChatCV/Stand-In: Stand-In is a lightweight, plug-and-play framework for identity-preserving video generation.

图像生成

• int4/fp4量化加速：
  • ComfyUI-nunchaku Documentation — ComfyUI-nunchaku 1.0.0 documentation
• Z-Image：
  • https://www.modelscope.cn/models/Tongyi-MAI/Z-Image-Turbo
  • 试了一下，效果和速度很不错

音乐生成

• ASLP-lab/DiffRhythm: Di♪♪Rhythm: Blazingly Fast and Embarrassingly Simple End-to-End Full-Length Song Generation with Latent Diffusion
• https://suno.com

TalkingHead相关

• FLAME相关生态：
  • radekd91/inferno: 🔥🔥🔥 Set the world of 3D faces on fire with INFERNO 🔥🔥🔥