本頁面由英文機器翻譯而成。閱讀英文原文。
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
直接在對話中於真正的 Blender 建立與編輯 3D 模型:尋找或安裝 Blender、安裝 MCP for Blender 外掛,並依專案將其連線到代理。製作道具、區塊草模與低多邊形素材,匯出到你的 Unity、Godot 或 Unreal 專案並預覽。
gamedev pkg add aigd.blender
雲端執行的 Google Veo 3.1 影片:Lite 用來打草稿,Fast 與 Standard 製作最高 4k 的最終鏡頭,全都帶音效並支援起始與結束影格;Standard 還可接受最多 3 張參考圖片。可產出 4 至 8 秒的遊戲預告片與過場動畫片段。會消耗你的額度。
gamedev pkg add aigd.cloud-veo
專案的 Knowledge Base:放在 .ai-game-dev/knowledge/ 的 Markdown 筆記,隨專案一起提交,會建立成圖形索引並供 agent 搜尋。Agent 會記錄設計決策與慣例、把筆記整理成空間、在搬移時修正連結並找出失效連結;桌面應用程式則以 3D 圖形呈現這些筆記。
gamedev pkg add aigd.knowledge
雲端版 ACE-Step 1.5:依風格提示詞生成開放音樂,長度 10 秒到 4 分鐘,是你額度中最輕量的雲端音樂模型,適合草擬遊戲配樂。會使用你的額度;同一個模型也能在本機執行。
ACE-Step 1.5 Turbo 音樂模型:依據風格提示(曲風、情緒、樂器、速度)與可選的 50 種語言歌詞,生成含人聲或純樂器的歌曲,長度 10 秒到 10 分鐘,48 kHz 立體聲,適合遊戲主題曲與原聲帶。透過 audio.cpp 在你的 GPU 上本機執行。MIT 授權,允許商業使用。
動漫風插畫與角色(Cagliostro Research Lab 的 SDXL 微調模型),在本機執行:角色肖像、服裝概念與動漫主視覺。以逗號分隔的標籤下提示詞。支援文字生圖與圖生圖。可將生成的圖像用於商業用途(CreativeML Open RAIL++-M)。需要 8 GB 以上的 NVIDIA GPU。
Resemble AI 推出的 20 種語言本機文字轉語音:可從 3–60 秒片段克隆聲音,無需逐字稿,或以內建聲音朗讀,並有 Exaggeration 控制情緒。適合在地化遊戲對白與配音。在應用程式的 ONNX runtime 中以 CPU 執行,速度比即時慢。MIT。Resemble AI 已不再維護。
Resemble AI 推出的快速本機英文文字轉語音模型(350M):可用模型內建聲音,或使用複製自 5-30 秒音檔的聲音,並可在文字中加入 [laugh]、[chuckle]、[cough] 等聲音標籤。適合角色對白與旁白配音。透過 llama.cpp 在 GPU 或 CPU 上執行。MIT 授權,允許商業使用。
在聊天中透過你的 AI-GAME.DEV 額度,在雲端生成影片、語音、音樂與音效。這是雲端模型家族套件的共用主機;預設開啟,在聊天的生成預算(預設為你每週額度的 30%)內的工作會直接執行、不再詢問。可將聊天切換成每個工作前詢問,或關閉以僅使用本機。
雲端 ElevenLabs 遊戲音訊:以 21 種聲音(v4 Turbo 與 Eleven v4)製作對白與旁白的語音,並可依描述生成 1 至 30 秒的音效;音樂即將推出。會使用你的額度。
Fish Audio 的 4B 文字轉語音模型,在本機執行:支援 80 種以上語言、可用一段錄音及其轉錄文字複製聲音,並能在文字中直接加入 [laughing]、[whisper] 或 [pause] 等語氣標記。搭配 audio.cpp 可在 8 GB 以上的 GPU 上執行。非商業授權:商業用途需另向 Fish Audio 取得授權。
FLUX.1 schnell,在本機執行:4 步就能產出銳利的插圖、相片、概念美術、圖示與 sprite。支援文字生圖與圖生圖。Apache-2.0,允許商業使用。需要 8 GB 以上的 NVIDIA GPU。
FLUX.2 klein 4B 適用於搭載 Apple silicon 的 Mac,並在本機執行:只要 4 步就能產出插圖、概念美術、圖示與 sprite。支援文字生圖與圖生圖。Apache-2.0 授權,允許商業使用。在 8 GB 的 Mac 上速度較慢(每張 512 px 圖像約需一分鐘)。
來自阿里巴巴通義實驗室的本地語音克隆文字轉語音模型:Fun-CosyVoice3 0.5B 能用 3–30 秒片段中的聲音,說出中文、英文、日文、韓文、德文、西班牙文、法文、義大利文、俄文和粵語,並遵循風格指示(情緒、語速、方言)。透過 audio.cpp 在你的 GPU 上執行。Apache-2.0。
雲端上的 Gemini Omni Flash 1.2 影片:可從文字、起始圖片,或起始與結束影格生成片段,一律帶有聲音,長度 5 到 10 秒,解析度從 360p 到 1080p,適合遊戲預告與氛圍鏡頭。會使用你的額度。
在雲端執行的 MiniMax Hailuo H3 Max 影片模型:物理與鏡頭運動表現出色,適合遊戲預告片與動作鏡頭,可依文字、起始圖片或起始與結束影格生成,5 或 10 秒,最高 1080p,無聲。會使用你的額度。
雲端執行的 HappyHorse 1.1 影片:可用提示詞、起始圖片或最多 9 張參考圖片生成角色一致的片段,長度 5 或 10 秒、解析度 720p 或 1080p、無聲,適合過場動畫與預告片中的遊戲角色。會使用你的額度。
本機影像轉 3D:Tencent Hunyuan3D-2.1 的形狀模型能把單張影像變成高品質、未貼材質的 3D 網格(GLB),適合遊戲道具與角色,在你的 NVIDIA GPU 上執行,需 10 GB 以上 VRAM。於本機 Python 模型執行環境中離線執行。未在歐盟、英國或南韓取得授權。
騰訊開源的 HunyuanVideo 1.5 雲端版(即將推出):依提示詞或起始圖片生成寫實動態,480p、5 秒、無聲。會使用你的額度。
bilibili 的 IndexTTS 2.5,在本機執行:只要一段 3-30 s 的片段就能零樣本複製音色,情緒則用指令描述,支援中文、英文、日文、西班牙文與阿拉伯文。適合製作富有表現力的遊戲對白。搭配 audio.cpp 可在約 6 GB 的 GPU 上執行。在授權的規模上限內可商業使用。
Juggernaut XL v9,在本機執行:電影感寫實圖像(SDXL 微調模型),戲劇性光線:角色、環境、氛圍板與主視覺。文字表現較弱。支援文字生圖與圖生圖。生成的圖像可作商業使用(CreativeML Open RAIL-M)。需要 8 GB 以上的 NVIDIA GPU。
Kling 3.0 與 O3 雲端影片,用於遊戲預告片與過場動畫:可從文字、起始圖片,或起始與結束畫格生成帶音效的電影感片段,5 至 15 秒、720p 或 1080p,O3 還可搭配最多 4 張參考圖。會使用你的額度。
雲端版 Kokoro:一款開放的美式英語語音模型,提供 20 種音色,額度消耗低,適合暫代與草稿性質的遊戲對白。會使用你的額度;同一個模型也能在本機執行。
hexgrad 的 Kokoro 82M,一款小巧、評價極高的英文文字轉語音模型,在本機執行:28 個美式與英式預設語音,可用於 NPC 對話、旁白與 UI 語句。即使在 CPU 上也很快(llama.cpp);不支援聲音複製。Apache-2.0,允許商業使用。
Local 3D generation 執行環境:trellis.cpp 是 Microsoft TRELLIS.2 的 C++ 移植版,能在你自己的 NVIDIA 或 Vulkan GPU 上,把單張影像變成有貼圖的 3D 模型(GLB,含 PBR 材質),每個模型都不收費。可執行 TRELLIS.2 4B 與 Pixal3D 模型套件,兩者需另外安裝。支援 Windows;Linux 為預覽版。
AI Game Dev 中的本機音樂、音效與語音執行環境,透過 audio.cpp(C++、ggml)在 CUDA、Vulkan、Metal 或 CPU 上執行。可執行 ACE-Step 1.5、MiniMax-Music3、Magenta RealTime 2、MOSS-SoundEffect v2、Qwen3-TTS、VoxCPM2 與其他語音模型。模型是獨立的套件。
使用 stable-diffusion.cpp 在這台電腦上生成圖像、材質與短影片:NVIDIA(CUDA)、AMD 與 Intel(Vulkan)、Apple 晶片(Metal)或處理器。新增「圖像生成」與「影片」工具。模型是獨立套件(Z-Image Turbo、FLUX、SDXL、Qwen-Image、LTX-2.5、Wan 2.2 等)。
用 PyTorch 在這台電腦上,於每個模型專屬的私人 Python 環境中執行沒有 C++ 或 ONNX 移植版本的模型(3D 生成與骨架綁定),完全不會動到你自己的 Python。TripoSG、Hunyuan3D-2.1 Shape 與 SkinTokens 等模型是另外的套件。
在 AI Game Dev 中以 sa3.cpp 執行本機音效與音樂的執行環境;sa3.cpp 是 Stable Audio 3 的 C++/ggml 移植版,支援 CUDA、Vulkan、Metal 或 CPU,不需 Python。可執行 Stable Audio 3 Small SFX、Small Music 與 Medium 模型,這些模型是各自獨立的套件。
用 llama.cpp 的語音工具在這台電腦上朗讀文字,離線執行且不佔用你的額度:在 NVIDIA、AMD、Intel 或 Apple GPU 或 CPU 上產生語音台詞、旁白與暫代對白。Kokoro、Chatterbox Turbo 等模型是另外的套件。
雲端上的 LTX-2.5 影片:最高 2160p 的高解析度短片,搭配同步音效,可從文字或起始圖片生成,長度 6 至 10 秒,適合遊戲預告片與商店頁面。會使用你的額度;同一系列也可在本機執行。
LTX-2.5,在本機執行:從文字或起始圖片生成帶有同步聲音(語音、特效、環境聲)的短影片片段,可用於預告片鏡頭、過場動畫草稿與動態主視覺。最高 5 秒、1280x704、24 fps。需要配備 16 GB 以上記憶體的 NVIDIA GPU,以及 48 GB 的系統記憶體。LTX-2.x Community License:年營收低於 $10M 可免費使用。
Google Lyria 3 雲端音樂:依文字描述製作 30 秒片段,可為純樂器或含人聲,適合遊戲選單主題曲、關卡音樂草稿與預告片配樂。會使用你的額度。
Google Magenta RealTime 2 器樂音樂模型系列:依風格提示詞生成背景音樂,長度 1 秒至 3 分鐘,48 kHz 立體聲,不含人聲。Small(230M)可在任何 GPU 上執行,甚至能在 CPU 上執行;Base(2.4B)需要 GPU。透過 audio.cpp 在本機執行。CC BY 4.0,允許商業使用。
NVIDIA 的 Magpie TTS Multilingual 357M,在本機執行:以五種預設語音提供 13 種語言與方言(包含印地語、越南語、巴西葡萄牙語與三種阿拉伯文變體)的語音,適合在地化對白與播報。不支援聲音複製。在 GPU 上搭配 audio.cpp 效果最佳。NVIDIA Open Model License。
inclusionAI 的 Ming-3.0 TTS 0.5B,於本機執行:可說中文、英文、日文、韓文、德文、法文與西班牙文,並能從片段複製聲音、依文字描述設計聲音,做出截然不同的遊戲角色嗓音。搭配 audio.cpp 在 GPU 上效果最佳。MIT,允許商業使用。
MiniMax-Music3:根據風格提示與帶有 [verse]/[chorus] 標籤的歌詞,生成含人聲演唱的完整歌曲,最長 5 分鐘、44.1 kHz 立體聲,適合主題曲與原聲帶單曲。透過 audio.cpp 在你的 GPU 上本機執行。社群授權:需標示「MiniMax-Music3」、註明輸出為機器生成、有營收上限。
OpenMOSS 的 MOSS-SoundEffect v2:依英文或中文描述生成音效與環境氛圍(自然、城市、生物、人類動作),1 至 30 秒,48 kHz 單聲道,適合遊戲關卡與場景。透過 audio.cpp 在你的 GPU 上本機執行。Apache-2.0(依模型卡標示),允許商業使用。
k2-fsa 的 OmniVoice,在本機執行:支援 600 種以上語言的文字轉語音,可使用它自己的預設語音,或從一段片段及其轉錄文字複製聲音。適合非商業專案中的冷門語言。搭配 audio.cpp 在 GPU 上效果最好。非商業授權(CC-BY-NC)。
Gradium 的 Phonon 31M 是輕巧的本地英文文字轉語音模型,只有一種聲音:在筆記型電腦 CPU 上比即時更快,適合快速旁白、UI 與暫代台詞。下載大小 85.5 MB,以 audio.cpp 執行。Apache-2.0,允許商業使用。
本機影像轉 3D:騰訊 ARC 的 Pixal3D 是 TRELLIS.2 的微調版本,能把一張照片變成有貼圖的 3D 模型(含 PBR 材質的 GLB),幾何緊密貼合照片的像素。透過 trellis.cpp 在具備 16 GB 顯示記憶體的 NVIDIA 或 Vulkan GPU 上執行。授權為 MIT,影像編碼器則適用 Meta 的 DINOv3 授權。
PixVerse V6 雲端影片:快速產出風格化與寫實短片,可選擇搭配音效,支援文字、起始圖片或起始與結束影格,5 至 10 秒,360p 至 1080p,五種長寬比。會使用你的額度。
Kyutai 的 Pocket TTS 100M,在本機執行:英文、法文、德文、西班牙文、義大利文與葡萄牙文各一個檢查點,每種語言 15 個預設語音,或從短片段複製語音且不需逐字稿。搭配 audio.cpp,在 CPU 上比即時更快。CC-BY-4.0:標示姓名後可商業使用,須遵守 Kyutai 的使用條款。
Qwen-Image,在本機執行:目錄中文字呈現與提示詞遵循能力最強的模型,適合招牌、海報、UI 模擬圖、插畫與照片。支援文字轉圖像與圖像轉圖像。Apache-2.0,允許商業使用。需要 16 GB 以上的 NVIDIA GPU 以及 32 GB 的 RAM。
精靈圖、圖示與物件,具備真正的透明背景(RGBA PNG),只要 8 步。非商業授權:下載前須先接受。需要 8 GB 以上的 NVIDIA GPU,或(速度慢,在高效能桌機上每張 512 px 圖像約一分鐘)沒有 GPU 的 Windows PC 處理器;16 GB 記憶體。
Qwen-Image-2.1 Turbo 的精簡版(Q3_K_M),適合 6 至 8 GB 的 NVIDIA GPU:真正的透明背景(RGBA PNG),8 步完成;文字編碼器在處理器上執行。非商業授權:下載前必須先接受。需要 16 GB 記憶體。
Qwen-Image-2.1 Turbo 的更高精度版本(Q8_0),適用於 12 GB 以上的 NVIDIA GPU:真正的透明背景(RGBA PNG),8 步完成。非商業授權:下載前須先接受。需要 24 GB 記憶體。
Qwen-Image-2512 在本機執行:在完整品質(20 步)下,是型錄中文字渲染與提示詞遵循能力最佳的模型,適合招牌、海報、UI 示意圖、插圖與照片。Apache-2.0,允許商業使用。需要 16 GB 以上的 NVIDIA GPU 與 32 GB 的 RAM。
Qwen-Image-2512 搭配 4 步 Lightning LoRA,在本機執行:文字呈現與提示詞遵循能力(招牌、海報、UI 視覺稿)每張 1024 px 影像約 8 秒,比 20 步模型快約 4 倍。Apache-2.0,允許商業使用。需要 16 GB 以上的 NVIDIA GPU 與 32 GB 記憶體。
Qwen-Image-Edit-2511,在本機執行:以指令全品質(20 步)編輯影像。可變更文字、顏色、材質與物件,或組合最多 4 張影像。Apache-2.0,允許商業使用。需要 16 GB 以上的 NVIDIA GPU 與 32 GB 記憶體。
以 Markdown 檢視這份清單
引擎
文件
參考