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。