Zyphra 发布 ZONOS3-Mini 多语言 TTS 模型
Zyphra 发布紧凑多语言 TTS 模型 ZONOS3-Mini,支持 43 种语言,约 1 亿活跃参数每 token,并提供原生 transformers 移植版本。该模型使用 ZAC-1 编解码器作为音频 tokenizer,内置 27 个发布音色,支持从短音频克隆声音,采用 Apache-2.0 许可证。
Zyphra 发布紧凑多语言 TTS 模型 ZONOS3-Mini,支持 43 种语言,约 1 亿活跃参数每 token,并提供原生 transformers 移植版本。该模型使用 ZAC-1 编解码器作为音频 tokenizer,内置 27 个发布音色,支持从短音频克隆声音,采用 Apache-2.0 许可证。
Higgsfield 官方博客发布完整指南,教创作者用 AI 从零创建无脸 YouTube 频道,示例频道为 Statues With a Story。指南明确 YouTube 要求披露逼真 AI 生成内容,并列出 2027 年 2 月 1 日起新申请者进入完整 YPP 需 8,000 小时观看或 2,000 万 Shorts 观看的新门槛。
HeyGen 发布 2026 年 11 月企业 API 更新,Video 1、Voice 1 和 Image 1 上线 API,企业限流提升,零数据保留覆盖范围扩大,v1/v2 于 2026 年 11 月 7 日退役。Video 1 支持文本/图像/参考视频到视频并生成对话与音效,Voice 1 支持 Instant Clone 与语音转语音,Avatar V 新增更自然眨眼。
Zyphra 发布开源紧凑语音模型 ZONOS3-Mini,约 100M 活跃参数,可在手机、笔记本和浏览器实时运行。模型支持从音频样本克隆声音、按年龄/口音/音色设计角色,并逐词控制情绪、语速与表达。权重以 Apache 2.0 开源,可通过 SGLang-Omni 在 NVIDIA GPU 上以 OpenAI 兼容接口服务。
Kapwing 实测用 ChatGPT 或 Claude 自动化七类视频编辑任务,涵盖剪辑规划、字幕生成、翻译配音与 B-roll 制作。测试中 Claude Code 配合 FFmpeg 构建并渲染了 70.7 秒的 YouTube Short,Kapwing MCP 则完成了五种语言的 AI 配音。文章指出标准聊天界面无法直接编辑视频,实际剪辑需借助编码代理或 MCP 连接的编辑器。
Kapwing MCP 将 ChatGPT 连接到视频编辑工作区,用户可用自然语言完成上传、字幕、翻译、配音和生成 B-roll 等编辑任务。测试中一个组合请求生成了六个导出版本(英文原版和五个配音版本)。
ElevenLabs 推出 SFX v3 音效模型,现已上线 ElevenCreative 和 ElevenAPI。SFX v3 能更可靠地处理描述多种声音的提示,音乐与声乐生成更可信,音质比 SFX v2 更干净自然。创作者可在 Flows、Sound Effects 标签、Studio 和 Music Editor 中使用,开发者可通过 ElevenAPI 接入。
可灵邀请创作者 Ami 用 Kling 4.0 制作短片《Tea When You Have Time》,她分享了 30 秒生成、Omni Reference 与多关键帧等新能力的使用体验。Kling 4.0 支持单次 30 秒生成、21:9 画幅、最多 10 个关键帧,12 个角色资产保持一致,粤语对白口型同步效果好,并支持多种方言与英语口音。
HeyGen Voice 推出语音转语音(Speech-to-Speech)功能,用户用手机或电脑录制一句台词,即可获得保留情感、节奏、重音和发音的工作室级配音,只改变声音本身。该功能现已上线 HeyGen 和 API,支持从随意录音获得干净朗读,并比文本提示提供更丰富的情感范围,包括耳语、笑声和口音。
Runway 推出 App Studio,用户可用自然语言描述需求,无代码构建带独立界面的自定义创意应用,生成图像、视频和音频。App Studio 内置 Character Swap、AutoComp、Product Portfolio 等应用,基于 Brand Kits、Workflows 和 Assets 构建,已包含在所有付费计划中,消耗现有 Runway 积分。
pyvideotrans v4.17 发布,新增 Audio.cpp 语音识别渠道,并增加基于 audio.cpp 的降噪与人声分离模型。同时修复 nemotronasr 重复下载问题,新增 Opper 翻译渠道,字幕翻译增加“进一步精简”选项。
FastVideo 发布 FastH3 Omni 最终版的 ComfyUI 可用权重,提供 BF16 与 INT8 ConvRot 两种扩散模型,可根据提示词和有序的图片、视频、音频参考生成视频与同步音频。
FastVideo 发布 FastH3-QAD-v2,这是一个 8 步视频与音频模型,采用 NVFP4 权重和量化感知蒸馏(QAD)训练,可在单张 Blackwell GPU(RTX 5090、RTX PRO 6000)或 DGX Spark 上运行。
ElevenLabs 在 ElevenCreative 上线 Instant Soundtracks,上传视频后模型会生成原创配乐,并分析画面中的音效提示点,把音效按对应时间戳自动放到时间线上。
HeyGen 发布新语音模型 HeyGen Voice,称其为首个为视频适配而构建的语音模型,并在 Artificial Analysis 语音榜单排名第一,已包含在每条 HeyGen 视频中且不额外收费。
Fish Audio 发布开源语音生成模型 Drama 3 预发布版,可将文本转为带表演的语音。模型采用 35B-A3B 混合线性注意力 MoE 主干(由 Qwen3.5 初始化)与新的 codebook-MTP 音频解码器,预训练覆盖约 80 种语言和方言、数千亿 token,支持多参考声音克隆、自然语言指令、多轮改稿、多角色场景、语音填充编辑与长音频和流式合成。
Kapwing 发布分步指南,讲解如何用 AI 生成 Vox 风格拼贴动画纪录片,流程分为写脚本、拆分视觉节拍、生成拼贴图像、逐帧动画、生成配音和剪辑成片六步。
Synthesia 以 beta 形式发布 AI 视频创作工具 Syren,输入提示词、预设或已有品牌文档、图片、视频、PPT、YouTube 链接,即可生成含动态图形、动画、数字人、配音、音乐和 b-roll 的成片,并可在对话中修改。
Suno 发布 Speech beta,这是其首个将人声与音乐作为一条完整音轨一起生成的音频模型。用户输入想法、诗歌或已有文字,再描述想要的音色与音乐风格,即可生成配原创背景音乐的语音内容。该模型已向全体用户开放 beta,此前已在小范围用户中测试一个月,官方称英式口音偶尔会漂移到澳式等效果仍待改进。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音合成模型,前者面向角色设计与逐句表演指导,后者面向高体量、低成本的配音与语音智能体场景。