跳到正文

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。

16条精选相关主题图像生成多模态语音与音频

最新精选

第 1–16 条 · 共 16 条
9月30日周三
  4. LMSYS：Blog（Chatbot Arena 团队）63

    SGLang-Diffusion 发布两个月：速度较初版提升至 2.5 倍，新增 ComfyUI 集成与 LoRA 支持

    LMSYS Chatbot Arena 团队复盘 SGLang-Diffusion 自 2025 年 11 月初发布两个月来的进展，当前版本（docker tag: lmsysorg/sglang:dev-pr-17247）比初版快最多 2.5 倍，在 NVIDIA GPU 上较其他方案最高快 5x。

    推荐理由：官方复盘发布两个月来的优化成果，速度较初版提升至 2.5 倍，并新增 ComfyUI 集成和 LoRA 支持，读者可评估是否迁移现有图像视频生成工作流。

  5. MiniMax：Blog（网页）71

    MiniMax 开源 H3 通用视频生成模型，支持 2K 分辨率与原生立体声音频

    MiniMax 正式开源下一代通用视频模型 MiniMax H3，支持文本、图像、视频、音频的多模态统一理解，可生成最长 15 秒、768p（经 H3-Regenerate-2K 可达 2K）、24 FPS 并带 32 kHz 立体声音频的视频。

    推荐理由：官方开源公告给出了完整的三模块系统结构、模型规格和本地部署方式，读者可以据此评估在自己的视频生成流程中如何接入。

  6. Black Forest Labs：Blog（网页）71

    Black Forest Labs 发布多模态基础模型 FLUX 3 并开放 Early Access

    Black Forest Labs 发布多模态基础模型 FLUX 3，基于 Self-Flow 方法在统一架构内联合学习图像、视频和音频，现已开放 Early Access。

    推荐理由：原文给出 FLUX 3 的多模态架构、早期对比评测数字和分阶段开放计划，读者可据此评估其对创作与具身场景的适用性。

  7. Black Forest Labs：Blog（网页）66

    Black Forest Labs 发布 FLUX 3 Video，文生视频与图生视频正式开放

    Black Forest Labs 宣布 FLUX 3 Video 初版正式开放，可通过 BFL API 和部分合作伙伴使用。模型支持最长 20 秒、HD（720p）与 Full HD（1080p，经上采样）的视频生成，并伴随生成原生音频；能力包括文生视频、图生视频与关键帧、视频续接（最多 4 秒）、单次生成多镜头、多语言对白与唇形同步、Draft Mode 低成本预览等。

    推荐理由：原文给出具体生成时长、分辨率、多语言与评测结果，读者可据此判断 FLUX 3 Video 在视频生成工作流中的可用性。

9月25日周五
  1. Google Research67

    Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成

    Google Research 发布 AI video co-director，一个构建在 Gemini 和 Veo 之上的多智能体编排框架，用于生成连贯的多镜头长视频，并原生继承 SynthID 水印等安全机制。

    推荐理由：Google 把长视频生成拆成四个可组合的智能体框架，并给出三套自建基准与量化结果，便于对照现有方案。

  2. Google DeepMind：Blog（RSS）66

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，把近实时视频生成与语音对话模型结合，让对话 AI 具备动态视觉形象，支持精准唇形同步、自然表情和流畅轮次切换。

    推荐理由：官方披露了实时视频与语音耦合的对话能力、异步工具调用和 97 种语言支持，可据此判断企业级数字人交互的落地边界。

9月24日周四
  1. Google Blog：AI（RSS）68

    Google Vids 集成 Gemini Omni 1.1 Flash，所有账号可免费生成 1080p HD 视频

    Google 宣布所有 Google 或 Google Workspace 账号均可通过 Google Vids 使用最新的 Gemini Omni 1.1 Flash 模型免费生成高质量视频，入口为 vids.new 并选择 "Create AI videos"。

    推荐理由：原文来自产品经理宣布，交代了免费开放入口、具体模型和新控制功能，读者可据此判断是否改变自己的视频制作流程。

9月2日周三
  1. Google DeepMind：Blog（RSS）70

    Google DeepMind 为 Gemini 推出 agentic 视频理解功能

    Google DeepMind 推出 agentic video understanding，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，通过智能体循环动态调用原生视频工具按需检索画面、音频和字幕，而非固定帧率静态处理。

    推荐理由：原文给出了具体降本增效数字、适用模型和接入方式，开发者可据此评估是否切换视频分析流程。

8月28日周五
7月1日周三
5月18日周一
  1. Google DeepMind：Blog（RSS）80

    Google DeepMind 发布 Gemini Omni Flash，支持多模态输入生成与对话式编辑视频

    Google DeepMind 发布 Gemini 家族首个模型 Gemini Omni Flash，可将图像、音频、视频和文本组合作为输入，生成高质量视频，并支持通过自然语言多轮编辑视频、保持角色和场景一致。

    推荐理由：原文介绍了 Gemini Omni Flash 的多模态输入、对话式视频编辑能力和开放范围，读者可以判断它对视频创作流程的影响。

3月12日周四
  1. OpenAI Developers（RSS）67

    OpenAI 发布 Sora 2 提示词指南

    OpenAI 发布 Sora 2 提示词指南，更新至最新 API 能力，包括角色引用（可上传动物或对象并复用）、1920×1080 或 1080×1920 高分辨率导出、时长上限从 12 秒提高到 20 秒、基于完整原始片段的视频续写，以及支持异步批量生成的 Batch API。

    推荐理由：OpenAI 官方系统讲解 Sora 2 提示词写法，并覆盖角色引用、更长时长和视频续写等新 API 能力。

10月1日周三
  1. Sam Altman：Blog（RSS）85

    Sam Altman 宣布推出 Sora 2 模型及同名视频社交 App

    OpenAI 推出名为 Sora 的 App，由新模型 Sora 2 和视频创作分享产品组成，称其为创意的 ChatGPT 时刻。亮点包括 cameo 功能，可把自己和朋友放进视频并保持角色一致性；同时上线防深度伪造、有害内容防护和用户情绪健康定期检查等措施，并承诺优化长期用户满意度、允许用户控制信息流、优先创作和帮助用户实现长期目标。

    推荐理由：原文给出 Sora 2 与社交 App 的核心功能、cast 佩戴与防止滥用等措施，以及产品原则，可帮助读者了解其定位与设计取舍。