多模态创造类模型

目录

• 一、图像生成（画画、做图、海报、电商图）
• 二、视频生成（从文字/图 → 视频）
• 三、语音 / 声音创作（TTS、配音、唱歌）
• 四、3D 创作（3D模型、物体、场景）
• 五、文本创作（文案、小说、剧本、代码）
• 六、数字人 / 唇形同步
• 极简总结（你记这个就行）

我给你按赛道 + 用途直接列全，都是现在最主流、最能落地的创作模型，一看就知道该用哪个。

一、图像生成（画画、做图、海报、电商图）

• Stable Diffusion / SDXL
  本地可跑、可控性强，适合做定制、修图、风格化。
• DALL·E 3
  文字理解极强，一句话出高质量图，适合设计、创意。
• Midjourney
  艺术感、质感最强，适合插画、海报、概念设计。
• Flux (Black Forest Labs)
  目前开源里效果最顶，细节、真实感拉满。

二、视频生成（从文字/图 → 视频）

• Sora（OpenAI）
  最强文本生成视频，效果炸裂但未开放。
• Runway Gen-2 / Gen-3
  文本/图生视频，最成熟可用。
• Pika Labs
  动画、电影感、风格化很强。
• Stable Video Diffusion
  开源，可本地部署，做短镜头。

三、语音 / 声音创作（TTS、配音、唱歌）

• GPT-SoVITS / CosyVoice
  开源最强中文TTS，克隆声音、自然对话。
• ElevenLabs
  全球最自然语音合成。
• Suno AI
  文字直接生成完整歌曲（词曲+演唱）。
• RVC
  声音变声、翻唱、音色迁移。

四、3D 创作（3D模型、物体、场景）

• Tripo
  图/文 → 3D模型，快、准、好用。
• DreamFusion
  文本生成3D物体。
• Instant3D
  快速3D生成。

五、文本创作（文案、小说、剧本、代码）

• GPT-4o / GPT-4
  最强创作、逻辑、润色。
• MiniCPM4.0、Qwen、Llama3
  开源可本地部署，写文案、脚本、对话。
• DeepSeek-R1
  长文本、小说、内容创作很强。

六、数字人 / 唇形同步

• HeyGen
  照片+声音 → 数字人视频。
• Wav2Lip
  唇形同步，让视频说话对口型。

---

极简总结（你记这个就行）

• 画画：SDXL、Flux、Midjourney
• 视频：Gen-2、Pika、Sora
• 声音：ElevenLabs、GPT-SoVITS、Suno
• 3D：Tripo
• 文本：GPT-4、MiniCPM4.0
• 做Agent用：YOLO感知 + ViT理解 + MiniCPM决策 + Diffusion创作

你现在是想做图文创作、视频生成、AI歌手，还是做Agent里的生成能力？我可以直接给你一套最适合你的模型组合。