🎙️ 支持语音自动生成字幕，用户可灵活编辑确保最佳翻译效果。
🚀 风格预测功能: 具备说话风格预测，根据语音自动调整动画表情，使得生成的动画更加贴近原始音频。
“O”:视频输出。2023年，我们看到了文字到视频合成的浪潮:WALT（谷歌）、EmuVideo(Meta)、Align Your Latents(英伟达)、Pika等等，数不胜数。然而，大多数生成的片段仍然很短。我将它们视为AI视频的“系统1”——“无意识”的局部像素运动。
传统的基于扩散的声音转换模型通常需要多个迭代步骤来逐渐生成目标音频，这个过程可能既复杂又耗时。然而，CoMoSVC通过创新的模型设计和算法优化，实现了快速且高效的一步采样，大大减少了转换所需的时间，同时保持了音频质量。
此外，M2UGen还加入了适配器和LLaMA2模型，使得该模型具备多种能力。