⌘ K
… 读取采集状态 同步中...
雷

AI 视频

AI 视频生成与理解：文生视频模型、视频编辑工具与影视创作变革的追踪。

58条精选相关主题图像生成多模态语音与音频

最新精选

第 21–40 条 · 共 58 条
9月20日周日
  1. 量子位84

    开源音乐生成模型YuE2发布，支持精细编辑并在WildSongBench上逼近Suno v5

    香港科技大学联合M-A-P、NOIZ AI、斯坦福等机构发布并开源统一符号与音频音乐生成模型YuE2。在WildSongBench的192个prompts评测中，YuE2以6.9632的八选一得分拿下17组参评系统最高分，逼近Suno v5并超过Suno v6及v6 Wild。

    推荐理由：开源YuE2通过乐谱规划机制实现音乐编辑，提供消费级显卡运行与完整开源技术栈。

9月17日周四
  1. AI科技评论72

    视频模型如何理解「变化」：HiDream-O1-Video 等三款模型物理因果能力实测

    作者通过三组图生视频任务对比了 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3 在物理因果、音画同步方面的表现。测试发现 HiDream 在动作与结果的时间因果上表现最好，如料酒入锅到火焰升起间隔约 100 毫秒；Seedance 画面表现强但火焰遮挡事件；MiniMax 存在时序偏差和硬切问题。

    推荐理由：作者设计了三组物理因果测试，量化对比了视频模型在音画时序上的表现，提供了可复用的评测方法。

  2. APPSO81

    生数科技发布 Vidu S2 实时视频生成模型，支持 720p 交互与编辑

    生数科技发布 Vidu S2 实时视频模型，包含 S2-Avatar 数字人与 S2-Editing 编辑功能，支持 720p 高清实时输出。该模型通过 SRF 训练技术和 Backbone-Refiner 架构，实现了实时虚拟试穿、换背景、风格化及角色替换。

    推荐理由：Vidu S2 实现了 720p 实时视频生成与编辑，支持动态换装与角色替换，让 AI 视频从离线渲染转向即时交互体验。

9月11日周五
  1. 刘小排r80

    AI 视频实时直播实验：H3模型加速如何实现弹幕互动内容生成

    秘塔团队基于开源的MiniMax H3视频模型，在H200显卡上实现了9秒内生成10秒视频，并开展了名为《重生之我成了美团小哥》的实时互动直播实验。该实验通过观众弹幕投票决定剧情走向，现场生成后续画面。

    推荐理由：原文复盘了H3模型加速让实时AI视频直播成为可能的技术路径，并提供了低成本接入的实操细节。

9月10日周四
  1. AI科技评论67

    生数双线破局背后：朱军团队正在为世界模型立「通用语法」

    文章对比李飞飞世界模型功能分类法与朱军团队通用世界模型（GWM）框架，指出前者描述输出能力、后者定义理解想象行动内部机制。生数科技基于GWM五级路线图，从Vidu视频生成、Vidu S1实时交互、Motubrain机器人控制，到预告Motus2自进化模型，展现数字与物理世界双线并行的技术演进，并分析数据架构算力三大工程壁垒。

    推荐理由：将李飞飞功能分类与朱军通用世界模型对照，厘清世界模型从生成到因果闭环的进化路径。

  3. 夕小瑶科技说83

    蚂蚁灵波开源LingBot-World 2.0，1.3B模型实现消费级显卡实时世界生成

    蚂蚁灵波开源LingBot-World 2.0，1.3B版本支持消费级单卡GPU本地实时生成可交互世界。该模型接收相机位姿与文本指令，通过MoBA混合注意力掩码缓解长序列过拟合，并结合DMD蒸馏与流水线生成提升速度与稳定性，论文展示了60分钟连续生成的视觉质量。

    推荐理由：原文结合论文解读与本地实测，揭示了1.3B小模型如何在消费级显卡上维持实时生成与长时稳定性。

9月6日周日
  1. APPSO85

    APPSO 团队 12 天用 Seedance 2.5 和 Codex 制作《沙丘 3》风格 AI 短片全流程教程

    APPSO 团队耗时 12 天，消耗 3000 多元积分额度，结合 Codex 和 Seedance 2.5 完成了一部 6 分钟《沙丘 3》风格 AI 短片。制作流程分为剧本打磨、资产库建立、视频生成和后期剪辑四步，其中建立资产库和编写分秒级提示词是最耗时环节。团队整理了项目中的提示词、Skill 和资产供读者获取，并建议创作者关注剧本逻辑和资产管理而非单纯追逐新工具。

    推荐理由：文章拆解了用 Seedance 2.5 制作 6 分钟 AI 短片的完整流程，提供了分秒级提示词结构与资产库搭建思路，可直接复用于同类创作。

9月2日周三
  1. 人工智能学家82

    World Labs 发布新一代世界模型 Atlas

    World Labs 发布新一代世界模型 Atlas，该模型采用多模态自回归扩散 Transformer 架构，支持基于单张图像生成 1440p 视频及三维场景重建。Atlas 能够根据 1 至 25 张图像重建空间，支持点云及 3D 高斯泼溅输出，并利用摄像机几何参数实现精准的长视频控制与“子弹时间”模拟。

    推荐理由：World Labs 发布的 Atlas 模型通过统一架构将图像生成、三维重建与时空模拟融为一体，展示了空间智能在处理复杂场景时的可扩展性。

  2. 机器之心76

    李飞飞World Labs发布全模态世界模型Atlas

    World Labs发布新一代世界模型Atlas，原生预训练处理文本、图像、视频和3D四种数据，支持相机可控生成（最高1440p、1分钟视频）、空间重建、时空模拟和图像生成。

    推荐理由：原文梳理了Atlas的核心设计与评测口径，读者可据此分辨其相机可控优势与画面质量的差别。

  3. APPSO85

    World Labs 发布多模态世界模型 Atlas

    World Labs 发布面向空间智能的多模态世界模型 Atlas，支持通过 1 至 6 张照片及相机位姿参数生成最长 1 分钟、1440p 分辨率的视频。在稀疏视角重建评测中，Atlas 的 AbsRel 分数为 25.3，优于 Pi3X、Depth Anything 3 等模型，并具备实时渲染与物理交互模拟能力，用于支持机器人在虚拟孪生空间中训练。

    推荐理由：文章拆解了 Atlas 的相机控制生成与空间重建机制，并给出了对比基准的实测数据，适合评估多模态世界模型在具身智能场景中的实际落地路径。

8月31日周一
  1. 量子位81

    MiniMax发布H3 Max：5秒视频生成仅需3秒，开启AI实时直播

    MiniMax与fal联合推出视频生成模型H3 Max，生成5秒768p视频耗时不到3秒，吞吐量约为原版H3的35倍。该模型在Artificial Analysis和Design Arena榜单的图生视频项目中排名第一，支持首尾帧参考，已开放调用接口。

    推荐理由：H3 Max将5秒视频生成时间压缩至3秒内，实现了实时直播与无缝短视频流，开启了新的商业化路径。

  2. 特工宇宙82

    基于 MiniMax H3 Max 实时视频生成，团队 24 小时搓出五个 AI 直播项目

    MiniMax 开源 H3 后，fal 推出 H3 Max，5 秒 768p 音视频生成时间不到 3 秒，支持实时直播。特工宇宙编辑部基于 H3 Max 进行 24 小时内部 Agent 赛马，同时上线弹幕梗工厂、无限电视台、生成式世界、互动影游和点菜直播间五个项目，验证了实时生成视频嵌入直播管线的多种交互形态。

    推荐理由：作者团队基于 MiniMax H3 Max 开源能力，24 小时跑通了五个实时视频直播项目，展示了视频模型作为持续管线在弹幕互动、世界模型和影游等场景的落地路径。

8月29日周六
  1. 新智元86

    谷歌 Gemini Omni 1.1 Flash 视频生成功能更新，登顶 Arena 全球榜首

    谷歌更新 Gemini Omni 1.1 Flash，其文生视频功能登顶 Arena 全球第一，图生视频排名第二。该模型引入场景延展、首尾帧控制、视频参考、360p 草稿及 4K 放大等五项能力，支持连续生成最长 40 秒视频，草稿生成速度比 720p 提升 60% 且成本降低至三分之一，全功能当日向全球开放。

    推荐理由：谷歌此次更新将视频生成从单次抽卡改为可连续扩展的流水线，通过明确首尾帧、场景延展和低成本草稿机制，让创作者能够直接指挥镜头运动与转场。

8月28日周五
  1. Google DeepMind70

    Google DeepMind 发布 Gemini Omni 1.1 Flash，新增视频生成控制能力

    Google DeepMind 发布 Gemini Omni 1.1 Flash，为生成式视频提供场扩展、首尾帧插值、4K 上采样和 360p 快速草稿等控制能力，可通过 Gemini API 在 Google AI Studio 使用。

    推荐理由：官方发布 Gemini Omni 1.1 Flash，给出了场扩展、首尾帧控制和 4K 上采样等视频能力，以及 API 与订阅入口的可用性说明。

8月27日周四
  1. Google Gemini API Release Notes64

    Gemini Omni Flash 模型正式版发布

    Gemini 官方发布 gemini-omni-1.1-flash 模型正式版，支持视频延长与首尾帧插值生成，并在 video_config 中新增分辨率参数，支持 360p、720p、1080p 和 4K 输出。原有的 gemini-omni-flash-preview 端点将于 2026 年 9 月 30 日弃用。

    推荐理由：新模型正式版支持视频延长与首尾帧插值，并开放多档分辨率参数，可直接用于视频生成工作流。

8月26日周三
  1. 新智元67

    Pavo 上线 Agnes Video 2.5 并提供免费 AI 视频创作工具

    Pavo 平台上线 Agnes Video 2.5 模型，其 Flash 版本支持 720p 生成 4-12 秒视频且免费开放，API 参考价 1.5 美元/分钟。平台结合无限画布和 Agent 模式，提供从剧本到成片的全流程工具，降低了 AI 短剧制作成本。

    推荐理由：实测了免费模型与创作工具的组合流程，读者可以据此了解低成本生成完整视频的路径。

8月20日周四
  1. 特工宇宙77

    MiniMax Design 发布，全面接入 H3 视频生成模型构建智能体工作流

    MiniMax 官方发布创作工作台 MiniMax Design，将 H3 视频生成能力接入需求理解、分镜规划、逐镜头生成到自动剪辑的完整流程。实测显示其擅长人物口型要求高、镜头目标明确的内容，支持 ComfyUI 工作流一键迁移及 3D 导演台精确控制，并内置专业 Skill 生态实现稳定批量生产。

    推荐理由：原文实测了 MiniMax Design 从自然语言理解到自动剪辑的完整生成链路，展示了原厂 Agent 在视频生产流程中的可控性与批量复用价值。

  2. APPSO78

    MiniMax Design 发布，将 H3 视频模型能力嵌入完整 Agent 工作流

    MiniMax 推出 MiniMax Design，将 H3 视频模型接入包含画布、3D 导演台和 Skills 的 Agent 工作流。用户无需编写复杂提示词，只需描述需求，系统即可自动完成从分镜、关键帧生成到视频剪辑的全流程。实测显示其能处理《牛来》片段复刻、一分钟 MV 及电商素材编排，并将单次生成结果扩展为可复用的模板生产线。

    推荐理由：原文通过复刻电影、制作 MV 及电商素材等实测案例，展示了 MiniMax Design 如何利用 3D 导演台与 Agent 团队，将 H3 视频模型转化为可复用的完整生产工作流。

8月17日周一
  1. DeepTech深科技74

    智象未来发布交互式世界模型 HiDream-O1-World

    智象未来发布交互式世界模型 HiDream-O1-World，支持用户进入生成场景自由移动、切换视角，并通过文字、语音或图片控制人物动作。在 WBench 榜单中，该模型综合得分 80.9，位列 30 个参评模型第一。

    推荐理由：原文拆解了生成式世界模型在空间记忆与物理因果上的技术难点，并给出了其在交互影视与机器人数据生成中的落地路径。