猫猫们唱歌工具链 v6更新

更新工具链，这算是一次重大升级，首先是刚刚发布一周的DeepSeek v4.1 Flash，在质量基本不变的情况下，5-8倍的速度，让我一天就把之前一周需要整理的结构全部搞定了。价格还很便宜，仿佛回到了那个DeepSeek 0731的时代。其次，音乐生成方面基本没有版权风险了，YuE2的出台，让音乐效果可以追平Suno 5.5，并且基本没有在X Studio那漫长的调音过程了，也不需要云端支持，彻底独立出来了。释放了依赖云端制作重要步骤的风险。我感觉这就是我最后一块拼图。第三，是个降本增效的图片处理。GPT Image 2.5的构图能力强，写字没问题，同时1K图只需要4分钱不到。再经过10秒的VOSR2放大，效果比直出2K、4K图还好，每一期的制图成本基本压缩到了3毛以内。第四，重用Gemini 3.8 Flash，写稿子很有特点，虽然很多方面不如其他模型，但最重要的是有特点。这和踢足球一样，基础达标后，最重要的是有特点！这一步可能每期开销要5毛左右。第五，ASR识别改用豆包，这点纯粹属于提高效率。豆包在语音识别上明显高于千问。而且这个步骤实际支出很低，由于豆包还送了20小时体验包，目前属于0成本。

智能体与 LLM 模型¶

CherryStudio — 主控台，所有智能体调度
DeepSeek v4.1 Flash — 主力模型
Gemini 3.8 Flash - 重要节点参考LLM

音乐相关¶

YuE2 — 改词、改曲
SoulX Singer — 改音色并润色
Open Soren WebUI - 歌曲最后一步合成
豆包录音识别 - 获得歌词准确时间，便于分镜，主要使用此渠道
Qwen ASR - 获得歌词准确时间，便于分镜【备用】

图片生成¶

SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
GPT Image 2.5 — 封面最终生成，优先使用1K，降本
VOSR2 - 图片超分放大，对于GPT去噪效果极佳

视频生成¶

MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
RTX Video Processor — 2x放大（1280p，缩小到85%出1080p视频），利用RTX Video SDK开发

模型供应商¶

DeepSeek 官方
OpenCode Go 订阅
GrsAI 第三方中转站

📖 本文阅读量加载中... 次 | 🌐 全站访问加载中... 次