Genie 4 现已可用
Genie 4 现已向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频。Genie 3 同步更新,单次生成最长 3 分钟,支持 360 度全景图种子与实时世界事件;新增 Project Genie agent 与社区画廊。
Genie 4 现已向 Google AI Ultra 订阅者开放,支持会话中实时编辑世界与实时原生音频。Genie 3 同步更新,单次生成最长 3 分钟,支持 360 度全景图种子与实时世界事件;新增 Project Genie agent 与社区画廊。
即梦 Seedance 2.5 推出 4K 版本,支持最长 30 秒单次生成、全模态参考、视频编辑与延长,并采用 10bit BT.709 色彩格式与六种画幅输出。
可灵发布新一代图像生成模型 Kling Image 4.0,现已上线可灵创意工作室并向企业及开发者开放 API。该模型基于原生统一理解与生成架构,支持原生 8K 图像生成、单图最多 2000 字符文本渲染、单提示词生成最多 10 张一致风格图像,以及电商详情页等长图生成。此外还提供 110+ 预设调色风格、70+ 预设商用字体和七种语言支持。
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。
MiniMax 于 11 月 10 日开放 H3-Image 模型权重,官方称 10 秒可生成 1600 万像素高清图,价格约为同档位主流工具的 50%-70%。
美团LongCat发布开源音频驱动人物视频生成框架LongCat-Video-Avatar 1.6,在1.5基础上改进唇音同步、面部与身体协调运动及长视频一致性,支持超过10分钟视频生成并优化推理速度。
Seedance 2.5 Flash 于 11 月 12 日发布,5 秒 720p 无输入视频示例定价约 0.99 元/秒,比 Seedance 2.5 同规格便宜约 34%,但 1080p 和 4K 暂不支持。厂商称生成速度约为 Seedance 2.5 的两倍,作者指出该数据来自厂商,未见独立基准。API 预计 11 月 15 日在火山引擎上线,并逐步在 Jimeng 等应用开放。
字节跳动火山引擎发布Seedance 2.5 flash文生视频模型,生成速度较Seedance 2.5提升一倍,720P生成价格约0.99元/秒,较Seedance 2.5下降约34%。模型单段最长支持30秒,提供480P和720P两档分辨率,API将于11月15日上线火山方舟。
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
MiniMax 发布 MiniMax-H3-Image,ComfyUI 已提供两个原生工作流。一个 checkpoint 同时支持文本生成和图像参考编辑,单次生成约 16MP,六步采样,无需独立放大。需更新 ComfyUI 至 0.45,模型文件包括 Qwen3-VL 32B 文本编码器、图像 VAE 和 Qwen3.5 9B 提示扩展器。
MiniMax 开源 H3-Image 图像生成模型,支持 16MP(4096×4096)原生 4K 输出和最多 16 张参考图输入。作者实测其可生成 CAD 三视图、机械爆炸图和高数试卷等复杂图像,网页端 4K 生成约 10-20 秒。API 价格为主流竞品的 50% 到 70%,首周 16MP 请求再打五折。
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。
字节跳动发布新一代图像生成模型 Seedream 5.5,支持 100 轮多轮编辑、原生 RGBA 透明背景输出,并提升图像真实感与文字渲染。相比 Seedream 5.0 Pro,六个生产场景的可用率均有提升,影视和办公场景可用率超过上一版两倍;文本严重损坏率降至 0.4%。
清华 OpenBMB 团队开源 VoxCPM2 语音合成模型,20 亿参数、支持 30 种语言与 48kHz 音质,Apache-2.0 许可免费商用。模型采用扩散自回归零 Tokenizer 架构,支持自然语言声音设计、可控克隆与终极克隆,在 Seed-TTS-eval 基准中英文 WER 1.84%、中文 CER 0.97%。
Google 发布 Gemini Omni 1.2 Flash,原生支持 15 秒视频生成,价格较 1.1 下降 30% 至 $0.07/秒(720p)。新模型支持多轮对话编辑、增强参考跟随,并可在 360p/720p 草稿后超分至 1080p 或 4K。Gemini Omni 现已在 Gemini API 和 Gemini for business 中正式可用。
OpenAI 于 2026 年 11 月 4 日发布 GPT-Image-2.6,生成速度提升约 50%,Flare 最快 6 秒出图。新功能包括 GIF 生成、可复用参考角色、透明 PNG 标记编辑和 SVG 导出。API 定价与 2.5 持平,但 low/medium 档输出 token 用量可能上升,迁移前需实测。
Viggle 发布开源视频重拍模型 Viggle Remake,基于 MiniMax H3 基础 transformer,提供 swap 和 edit 两个 rank-256 LoRA,以及 ComfyUI 节点包、int8/GGUF 量化构建和 MCP 服务器。
MiniMax 发布开源图像生成与编辑模型 MiniMax-H3-Image,将文本到图像与图像编辑统一在一个 checkpoint。模型为 33.1B 参数 DiT,蒸馏至 6 步采样,直接生成约 16 兆像素图像(4096×4096 至 6272×2688),无需超分。
TaoLive AIGC 于 11 月 2 日发布 TaoMate-FVSR,一个 10.3 GB 的视频人脸修复模型,可修复生成视频中模糊的脸部与融合的牙齿,并在替换音频轨道时让口型匹配新语音。
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。