本页由英文机器翻译而成。阅读英文原文。
An example game engine package: detects toy-engine.json projects, creates them, runs a tiny local game server shown in the game panel, and gives the agent two live tools.
gamedev pkg add samples.toy-engine
在聊天中于真实的 Blender 里构建和编辑 3D 模型:自动查找或安装 Blender,安装 MCP for Blender 插件,并按项目将其连接到智能体。制作道具、白盒和低多边形资产,导出到你的 Unity、Godot 或 Unreal 项目并预览。
gamedev pkg add aigd.blender
Google Veo 3.1 云端视频:Lite 用于草稿,Fast 和 Standard 用于最高 4k 的最终镜头,全部带声音并支持起始帧和结束帧;Standard 还支持最多 3 张参考图。4 到 8 秒的片段,适合游戏预告片和过场动画。消耗你的额度。
gamedev pkg add aigd.cloud-veo
项目的知识库:位于 .ai-game-dev/knowledge/ 下的 Markdown 笔记,随项目一起提交,被索引为图谱并可供智能体搜索。智能体会记录设计决策与约定,把笔记整理进空间,在移动时修正链接并找出失效链接;桌面应用以 3D 图谱展示这些笔记。
gamedev pkg add aigd.knowledge
Qwen-Image-Edit-2511 搭配 4 步 Lightning LoRA,本地运行:按指令编辑图像约 20 秒完成。可修改文字、颜色、材质和物体,或组合最多 4 张图像。Apache-2.0,允许商业使用。需要 16 GB 及以上显存的 NVIDIA GPU 和 32 GB 内存。
Qwen3-TTS 0.6B Base:文本转语音,能用一段 3 秒或更长的参考片段克隆声音,支持 10 种语言,24 kHz,适合角色对白和旁白。较小的克隆模型,适用于约 4 GB 显存的 GPU(估算)。通过 audio.cpp 在本地运行。Apache-2.0,允许商业使用。
Qwen3-TTS 1.7B Base:文本转语音,可用一段简短参考音频(3 秒或更长)在 10 种语言中克隆音色,24 kHz,适用于角色对白和旁白。更大的克隆模型,适用于约 6 GB 显存的 GPU(估算)。通过 audio.cpp 在本地运行。Apache-2.0,允许商业使用。
Qwen3-TTS 1.7B CustomVoice:文本转语音,内置九种音色,支持情绪与演绎指令(“兴奋,快”“低语,悲伤”),覆盖 10 种语言,24 kHz,适用于 NPC 对白和旁白。通过 audio.cpp 在你的 GPU 上本地运行。Apache-2.0,允许商业使用。
Qwen3-TTS 1.7B VoiceDesign:文本转语音,可根据文字描述(“一位粗犷的老水手,低沉而缓慢”)设计全新嗓音,同时设定情绪与表达方式,支持 10 种语言、24 kHz,适合角色配音。通过 audio.cpp 在你的 GPU 上本地运行。Apache-2.0,允许商业使用。
RealVisXL V5.0,本地运行:生成写实图像(SDXL 微调模型),涵盖人物、肖像、地点和产品,适合用作参考素材和营销美术。不擅长文字和风格化艺术。支持文生图和图生图。生成的图像可用于商业用途(CreativeML Open RAIL++-M)。需要 8 GB 或以上显存的 NVIDIA GPU。
Stable Diffusion XL base 1.0,本地运行:通用插画、概念艺术与多种风格的照片;文字表现较弱。支持文生图与图生图。生成的图像可商用(CreativeML Open RAIL++-M)。需要 8 GB 或以上显存的 NVIDIA GPU。
ByteDance Seedance 2.0 云端视频(2.5 即将推出):根据文本、起始图像、起始帧和结束帧,或最多 9 张参考图像,生成带声音的片段,适合制作角色形象一致的游戏过场动画和预告片。5 或 10 s,720p 或 1080p。消耗你的额度。
本地自动绑定:VAST-AI 的 SkinTokens 为角色或生物网格(GLB、OBJ 或 FBX)添加骨骼和蒙皮权重,并输出一个保留原始材质和 UV 的已绑定 GLB。在 Asset Studio 中用你的 NVIDIA GPU 运行,需要 14 GB 显存。MIT 许可,允许商用。
Stable Audio 3 Medium:根据文本提示生成器乐音乐,最长 6 分 20 秒,44.1 kHz 立体声,无人声;这是较大的 Stable Audio 3 音乐模型,适合完整长度的配乐作品。通过 sa3.cpp 在 GPU 上本地运行(最长作品在 CUDA 上需 12 GB,在 Vulkan 上需 13 GB)。Stability AI Community License:须先注册,且仅在年收入低于 100 万美元时可用于商业用途。
Stable Audio 3 Small Music:根据文本提示生成纯音乐与循环片段,最长 2 分钟,44.1 kHz 立体声,不含人声,可用于游戏背景音乐、提示音和短旋律。在 4 GB 显存的 GPU 上通过 sa3.cpp 本地运行,也可在 CPU 上较慢地运行。Stability AI Community License:仅在年收入低于 100 万美元时可用于商业用途,且需先注册。
Stable Audio 3 Small SFX:根据文本提示生成游戏音效和拟音(撞击声、脚步声、UI 音效、环境音),时长 1 至 60 秒,44.1 kHz 立体声。在 4 GB 显存的 GPU 上用 sa3.cpp 本地运行,没有 GPU 时也能运行,但速度较慢。Stability AI Community License:需先注册,且仅在年收入低于 100 万美元时允许商用。
本地图像转 3D:StepFun 的 Step1X-3D Geometry 1.3B 可在你的 NVIDIA GPU 上(16 GB 显存)把一张图像变成无贴图的 3D 网格(GLB),用于游戏道具和角色。在 Local Python models runtime 中离线运行。Apache-2.0,允许商业使用。
在你的电脑上用 SuperCollider 3.14.1 创作、渲染、分析并导出可移植的游戏音乐:乐谱以代码形式保存在项目中,离线渲染 WAV,同步分轨与循环,导入采样,预览,并导出到 Unity、Godot 或 Unreal。
Supertone 的 Supertonic 3,快速的本地文本转语音,支持 31 种语言,提供十个预设音色,并可在文本中使用 <laugh>、<breath> 和 <sigh> 标签,适合本地化对白与旁白。在 App 的 ONNX 运行时上以 CPU 运行。不支持声音克隆。Open RAIL-M:可在其使用限制范围内商用。
本地图生 3D:微软的 TRELLIS.2 4B 能把一张图像变成带纹理的 3D 模型(含 UV 图集和 PBR 材质的 GLB),用作游戏资产,分辨率为 512、1024 或 1536。通过 trellis.cpp 在显存 16 GB 的 NVIDIA 或 Vulkan GPU 上运行。MIT 许可,图像编码器采用 Meta 的 DINOv3 许可。
通过你的 AI Game Dev 订阅额度使用云端 3D:从文本、单张图像或多视图生成 3D 模型,生成贴图、重拓扑、部件拆分、网格补全、格式转换、骨骼绑定、动画,以及图像生成与编辑。智能体会为每个任务挑选合适的操作和模型变体。
本地图生 3D:VAST-AI 的 TripoSG 1.5B 可将一张图像变成细节丰富、表面锐利干净的无纹理 3D 网格(GLB),在你的 NVIDIA GPU 上运行,需 8 GB 显存。在 Local Python models runtime 中可离线运行。权重为 MIT;其推理代码中的部分 Tencent 代码在欧盟、英国和韩国未获许可。
OpenBMB 的 VoxCPM2:48 kHz 的语音合成,支持 30 种语言和 9 种汉语方言,可从短音频克隆音色、按描述设计音色,并用情感与语速指令控制,适用于角色对白和旁白。通过 audio.cpp 在你的 GPU 上本地运行。Apache-2.0,允许商用。
在云端使用开源的 Wan 视频模型:2.2 用于快速无声草稿,3.0 Prime 用于带声音的更高质量输出,可从文本、起始图像或首尾帧生成,最高 1080p。它们运行在 AI Game Dev 服务器上,消耗你的配额;同一系列也可在本地运行(Wan 2.2 TI2V 5B)。
Wan 2.2 TI2V 5B,本地运行:开放(Apache-2.0)视频模型,可根据文本或起始图像生成无声的写实与风格化片段。最长 5 秒,1280x704,24 fps。比 LTX-2.5 慢,但更轻量:NVIDIA GPU 需 12 GB 以上显存,内存 16 GB。
Z-Image Turbo,本地运行:8 步即可快速生成照片级与插画风图像、图标和纹理,短文本清晰可读。最小的 PC 模型:NVIDIA GPU 需 4 GB 以上,其他 GPU 需 8 GB 以上,在集成 GPU 上运行较慢。Apache-2.0,允许商业使用。
Zyphra 的 ZONOS3-Mini 是一款富有表现力的本地文本转语音模型:支持英语、法语、德语、西班牙语、意大利语、葡萄牙语、中文和韩语,提供 13 个预设音色,也可从一段音频克隆音色。通过 audio.cpp 在笔记本 CPU(约实时)或 GPU 上运行。Apache-2.0,允许商用。
以 Markdown 查看此列表
引擎
文档
参考