AI 艺术工具通讯

创刊号

AI 领域的发展速度令人惊叹，回想一年前我们还在为生成正确手指数量的人像而苦苦挣扎的场景，恍如隔世。

过去两年对开源模型和艺术创作工具而言具有里程碑意义。创意表达的 AI 工具从未像现在这般触手可及，然而这仅仅是冰山一角。让我们共同回顾 2024 年 AI 艺术领域的关键突破与创新工具，并展望 2025 年的发展趋势 (剧透预警 : 我们将启动月度资讯精选的订阅)。

2024 重大发布

2024 年哪些创意 AI 工具最引人注目？我们将重点盘点艺术创作领域的重要发布，特别关注文生图、视频生成等热门任务中的开源进展。

图像生成

自初代 Stable Diffusion 掀起开源文生图浪潮已逾两年，如今在文本到图像生成、图像编辑和可控生成领域，开源模型已能与闭源产品分庭抗礼。

文生图

2024 年见证了扩散模型的范式转变——从传统 U-Net 架构转向扩散 Transformer (DiT)，同时目标函数也进化为流匹配 (flow matching)。

技术速览: 扩散模型与高斯流匹配本质相通。流匹配通过不同的向量场参数化方式，为网络输出提供了新视角。

推荐阅读 Google DeepMind 的技术博客，深入了解流匹配与扩散模型的关联。

实践进展: Stability AI 率先推出 Stable Diffusion 3，而腾讯混元 DiT 则成为首个开源的 DiT 架构模型。后续 AuraFlow、Flux.1 和 Stable Diffusion 3.5 延续了这一趋势。

在开源图像生成模型的里程碑中，Flux.1 的发布堪称革命性。该模型在多项基准测试中超越 Midjourney v6.0、DALL·E 3 (HD) 等闭源模型，刷新了开源模型的性能纪录。

个性化与风格化

图像模型的进步带动了个性化生成技术的飞跃。2022 年 8 月，Textual Inversion 和 DreamBooth 等开创性工作实现了 向文生图模型注入概念，极大扩展了应用边界。这些技术催生了 LoRA 等改进方案，推动个性化生成进入新阶段。

然而，微调模型的质量受限于基础模型性能。Stable Diffusion XL (SDXL) 的发布为开源个性化生成树立新标杆，当前多数个性化方案仍基于 SDXL 架构。随着对扩散模型各组件语义角色的深入理解，我们不禁思考: 能否实现不进行额外繁琐优化的高质量生成？

Zero-shot 技术风暴来袭 ——2024 年见证了仅需 单张参考图 即可生成高质量人像的技术突破。IP-Adapter FaceID、InstantID、PhotoMaker 等免训练方案展现出媲美微调模型的实力。

图像编辑与可控生成 (如边缘/深度/姿态控制) 也取得长足进步，这既得益于基础模型的发展，也源于社区对模型组件的深入理解 (Instant Style、B-LoRA)。

未来展望: 尽管 DiT 架构模型 (如 Flux、SD3.5) 已开始探索个性化的应用，但对 DiT 组件语义角色的理解尚不及 U-Net 深入。2025 年或将揭开 DiT 的组件奥秘，释放新一代图像模型的全部潜能。

视频生成

相较图像生成，视频生成仍任重道远。但必须承认，我们已取得显著进步。OpenAI 的 Sora 极大提升了行业预期，正如 fofr 在《AI 视频正迎来 Stable Diffusion 时刻》中所言——它让人们看到了可能性。

近期开源视频模型的爆发 (CogVideoX、Mochi、Allegro、LTX Video、混元视频) 同样值得关注。视频生成面临画面动作是否自然、前后画面是否流畅、人物外观是否保持一致等多重挑战，加之计算资源需求巨大，导致生成延迟较高。尽管内存优化和量化技术可缓解硬件压力，但往往会影响生成的质量。尽管如此，开源社区仍在持续突破，最新进展可参阅开源视频生成模型现状。

虽然多数用户仍难以本地运行视频模型，但这也预示着 2025 年将迎来更大突破。

音频生成

音频生成在过去一年突飞猛进，从制作简单的声音效果到创作完整的歌曲都取得了很大进步。尽管面临信号复杂度高、训练数据稀缺等挑战，2024 年仍涌现 OuteTTS、IndicParlerTTS 等开源语音合成模型，以及 OpenAI 的 Whisper large v3 turbo 语音识别模型。2025 年开年即迎来 Kokoro、LLasa TTS、OuteTTS 0.3 等语音模型，以及 JASCO、YuE 音乐模型的集中发布，预示着音频领域将迎来爆发年。

右侧歌曲由 YuE 生成，点击试听。

2024 闪耀创意工具

开源之美在于集社区之力探索模型新可能。本年度众多创意工具正是这种协作精神的结晶:

Flux fine-tuning

ostris 开发的 AI 工具包助力社区创作出惊艳的 Flux 微调模型。

Face to All

受 face-to-many 启发，Face to All 将爆款模型 Instant ID 与深度 ControlNet、社区微调的 SDXL LoRA 结合，实现免训练的高质量风格化人像生成。

Flux 风格塑形

基于 Nathan Shipley 的 ComfyUI 工作流，Flux 风格塑形通过融合 Flux [dev] Redux 与 Depth 模型，实现风格迁移与视错觉创作。

智能图像外扩

Diffusers Image Outpaint 利用 SDXL Fill Pipeline 与联合 ControlNet，实现无缝图像外扩。

动态人像

Live Portrait 与 Face Poke 让静态人像瞬间动起来。

TRELLIS 3D 引擎

TRELLIS 以惊艳效果重塑 3D 生成格局，支持多样化高质量资产创建。

IC Light

IC-Light 通过前景条件实现智能光影重构。

2025 年 AI 艺术趋势展望

2025 年将是开源社区在视频、动态与音频模型领域迎头赶上的一年。随着高效计算与量化技术的突破，开源视频模型有望实现跨越式发展。当图像生成进入自然平台期，我们的目光将转向多模态创新。

强势开局: 2025 年 1 月开源新作

YuE 音乐生成模型

Apache 2.0 协议开源的 YuE 在音乐生成质量上比肩 Suno 等闭源产品，在线体验。

3D 生成三剑客

继 TRELLIS 之后，混元 3D-2、SPAR3D、DiffSplat 持续革新 3D 生成领域。

Lumina-Image 2.0

这款 20 亿参数的文生图模型以 Apache 2.0 协议开源，性能比肩 80 亿参数的 Flux.1，在线体验。

ComfyUI 转 Gradio 指南

这份教程详细介绍了如何将复杂 ComfyUI 工作流转换为 Gradio 应用，并免费部署于 Hugging Face Spaces。

开启资讯新时代 ️

从本期开始，我们 (Poli 与 Linoy) 将每月为您精选创意 AI 领域最新动态。在这个快速迭代的领域，我们愿做您的信息顾问，让创意工具触手可及。

英文原文: https://huggingface.co/blog/ai-art-newsletter-jan-25

原文作者: Linoy Tsaban, Apolinário from multimodal AI art

译者: yaoqih