AI

视频描述介绍 视频描述：给定一个视频，模型根据视频信息生成一句对应描述。可以应用于给一张视频配上一句文字或者打个标签的场景。你只需要输入任意一个视频，很快你就能收获对于该视频的描述。 模型描述 本任务

FSMN-Monophone VAD 模型介绍 Highlight 16k中文通用VAD模型：可用于检测长语音片段中有效语音的起止时间点。 基于Paraformer-large长音频模型场景的使用

DDColor 图像上色模型 该模型为黑白图像上色模型，输入一张黑白图像，实现端到端的全图上色，返回上色处理后的彩色图像。 English Version | 中文版本 Paper ｜ Github

图像人脸融合 给定一张模板图和一张目标用户图，图像人脸融合模型能够自动地将用户图中的人脸融合到模板人脸图像中，生成一张与目标人脸相似，且具有模版图外貌特征的新图像。 其生成效果如下所示： 模型描述

实时口罩检测-通用 模型介绍 本模型为高性能热门应用系列检测模型中的 实时口罩检测模型，基于面向工业落地的高性能检测框架DAMOYOLO，其精度和速度超越当前经典的YOLO系列方法。用户使用的时候，

Sambert-Hifigan模型介绍 框架描述 拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TTS系统获得了广泛的应用，故此处仅涉及参数法。 参数TTS系统可分为两

Paraformer-large模型介绍 Highlights 热词版本：Paraformer-large热词版模型支持热词定制功能，基于提供的热词列表进行激励增强，提升热词的召回率和准确率。 长音

M2FP多人人体解析模型介绍 模型描述 M2FP（Mask2Former for Parsing，官方代码）基于 Mask2Former 架构，并进行了一些改进以适应人体解析。 M2FP 可以适应几乎

coROM中文电商文本表示模型 文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大

FSMN-Monophone VAD 模型介绍 Highlight 8k中文通用VAD模型：可用于检测长语音片段中有效语音的起止时间点。 基于Paraformer-large长音频模型场景的使用 基

FQA人脸质量评估模型介绍 稳定调用及效果更好的API，详见视觉开放智能平台：人脸属性识别、表情识别。 FQA人脸质量评估模型 模型描述 FQA模型包含3个方面的创新, rank映射, Ordinal

Sambert-Hifigan模型介绍 框架描述 拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TTS系统获得了广泛的应用，故此处仅涉及参数法。 参数TTS系统可分为两

Highlights Paraformer-large长音频模型集成VAD、ASR、标点与时间戳功能，可直接对时长为数小时音频进行识别，并输出带标点文字与时间戳： ASR模型：Parformer-l

MossFormer语音分离模型介绍 我们日常可能会遇到在嘈杂环境中进行语言交流的场景，比如在人多的餐厅里或者拥挤的人群中，同时存在着许多不同的说话人的声音，这时听者可能只对一个主说话人的声音感兴趣，

Sambert-Hifigan模型介绍 框架描述 拼接法和参数法是两种Text-To-Speech(TTS)技术路线。近年来参数TTS系统获得了广泛的应用，故此处仅涉及参数法。 参数TTS系统可分为两

Highlights Paraformer-large长音频模型集成VAD、ASR、标点与时间戳功能，可直接对时长为数小时音频进行识别，并输出带标点文字与时间戳： ASR模型：Paraformer-

通用抠图介绍 通用抠图对输入图像中的主体进行抠图处理，支持商品、人物、动物、植物、汽车等等，无需任何额外输入，实现端到端通用万物抠图，输出四通道抠图结果，如下图所示： 抠图系列模型

Paraformer-large-热词版模型介绍 Highlights Paraformer-large热词版模型支持热词定制功能：实现热词定制化功能，基于提供的热词列表进行激励增强，提升热词的召回率

Controllable Time-delay Transformer模型介绍 Highlights 中文标点通用模型：可用于语音识别模型输出文本的标点预测。 基于Paraformer-large长

StructBERT中文情绪分类模型介绍 情绪分类任务，通常为输入一段句子或一段话，识别该句话情绪类别的模型。 在用户评价、观点抽取、意图识别中往往起到重要作用。 模型描述 模型基于Structber