爱诗科技发布影视专业大模型PixVerse C1，旨在重塑影视工业流程。该模型支持最高15秒1080P高清视频生成，实现从单镜头到自动分镜的飞跃，已上线Web端及API平台。
B站低调内测AI创作产品“updream”，旨在通过生成式AI技术降低视频创作门槛，助力UP主高效完成从创意到素材的全链路开发。此举标志着B站AI战略从后台优化转向前台赋能，通过将AI能力集成到创作端，在短视频与长视频的存量竞争中寻求技术突破。
Zopia是全球首个端到端AI视频导演Agent，用户只需输入创意文本或故事梗概，即可通过多智能体协同，自动完成剧本拆解、分镜设计、镜头生成到剪辑的全流程，输出高质量视频。它深度优化了Kling3和Vidu Q3等视频模型，实现逼真的真人场景效果。
阿里通义千问团队开源Qwen3-TTS系列语音生成模型，采用端到端架构，支持秒级音色克隆、自然语言音色设计和实时流式输出。其核心创新Dual-Track双轨混合流式生成机制结合离散多码本语言模型，实现极致低延迟，大幅降低实时应用门槛。
DiffRhythm 是一个基于扩散模型技术的 AI 音乐生成平台，可快速将歌词转化为专业音乐作品。
DiffRhythm 是一种基于潜在扩散模型的端到端全曲生成技术，可在短时间内生成包含人声和伴奏的完整歌曲。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$6
$24
256
Baidu
128
Bytedance
$1.2
$3.6
4
$2
openbmb
VoxCPM是一款创新的免分词器端到端文本转语音（TTS）系统，通过在连续空间中对语音进行建模，克服了离散分词的局限性。它具备上下文感知语音生成和逼真零样本语音克隆两大核心能力，能够根据文本内容自动调整韵律和风格，并仅需一个简短的参考音频即可克隆说话者的音色、口音和情感。
BAAI
Emu3.5是北京智源人工智能研究院开发的原生多模态模型，能够跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。通过端到端预训练和大规模强化学习后训练，在多模态任务中展现出卓越性能。
inclusionAI
铭音通是一个创新的统一语音框架，将语音理解、生成和编辑功能整合为一体。它采用统一的连续语音分词器，能在端到端模型中有效融合语义和声学特征，是首个仅通过自然语言指令就能实现通用、自由形式语音编辑的系统。
stepfun-ai
Step-Audio 2 是一款端到端的多模态大语言模型，专为满足行业级音频理解和语音对话需求而设计。具备先进的语音和音频理解能力、智能语音对话功能、工具调用和多模态检索增强生成能力，在多个音频理解和对话基准测试中取得了领先的性能。
NexaAI
Qwen2.5-Omni-3B-GGUF 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态信息，同时以流式方式生成文本和自然语音响应。
Qwen
Qwen2.5-Omni 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态，并以流式方式生成文本和自然语音响应。
Qwen2.5-Omni是一款端到端多模态模型，能够感知包括文本、图像、音频和视频在内的多种模态，同时以流式方式生成文本和自然语音响应。
Qwen2.5-Omni是一款端到端多模态模型，能够感知文本、图像、音频和视频等多种模态信息，并以流式方式同步生成文本和自然语音响应。
Emova-ollm
EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，能够生成具有情感控制的文本和语音响应。
EMOVA是一种端到端全能模态大语言模型，支持视觉、听觉和语音功能，无需依赖外部模型即可实现多模态理解和生成。
awsaf49
用于端到端合成歌曲检测的先进模型，能够识别AI生成的完整歌曲（包括人声、音乐、歌词和风格）
用于检测端到端AI生成歌曲的先进模型，特别擅长识别长时程伪造音频特征
用于检测端到端AI生成歌曲的先进模型，特别擅长捕捉长时音频特征
scb10x
台风2-音频版是一个端到端的语音转语音模型架构，能够处理音频、语音和文本输入，并同时生成文本和语音输出。该模型专门针对泰语优化，同时也支持英语。
yesidcanoc
基于Swin Transformer和DistilGPT2的端到端图像描述生成模型，能够为输入图像生成自然语言描述。
funasr
Paraformer 是一种创新的非自回归端到端语音识别模型，相比传统自回归模型具有显著优势，能够并行生成整句目标文本，特别适合利用GPU进行并行推理。
ibm-research
Re2G是一个结合神经检索、重排序和生成的端到端系统，用于知识密集型任务。该模型是其NQ（Natural Questions）问题编码器组件。
fanxiao
CGRE是一种基于BART的中文端到端关系抽取模型，采用生成式方法实现实体关系抽取，在多个中文关系抽取数据集上表现优异。
valhalla
基于T5-base训练的端到端问题生成模型，能够从输入文本中自动生成相关问题。
UE5-MCP是一个集成AI驱动的自动化工具，旨在优化Blender与Unreal Engine 5的工作流程，提供从场景生成到游戏开发的端到端解决方案。
一个基于MCP协议的UI/UX设计自动化套件，通过AI辅助实现从设计灵感到开发交付的端到端工作流，包含网页灵感采集、Figma设计集成和React代码生成三大核心功能。
RAG Anything MCP Server是一个提供全面检索增强生成(RAG)能力的模型上下文协议服务器，支持多模态文档处理与查询，具备端到端文档解析、批量处理、高级查询及持久化存储等功能。
SafetensorsMultiple Languages%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
