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。
推荐理由:Genie 4 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,创作者可据此评估其交互式世界生成、分享与再创作能力。
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。
推荐理由:Genie 4 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,创作者可据此评估其交互式世界生成、分享与再创作能力。
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。
推荐理由:新模型将视觉理解与图像生成统一在同一自回归框架,原生8K与长文本渲染能力值得创作者评估替换现有出图流程。
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。
推荐理由:ZONOS3-Mini 以原生 transformers 移植发布,支持 43 种语言与声音克隆,便于评估其作为多语言 TTS 基线的适用性。
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。
推荐理由:新版本改进了长视频稳定性和推理效率,人类偏好评估中仅次于OmniHuman-2.0,为数字人视频生成方案选择提供参考。
MiniMax 发布 MiniMax-H3-Image-PE,基于 Qwen3.8-27B 微调,为 MiniMax-H3-Image 提供提示词扩展与宽高比推荐,支持文生图与图像编辑两条工作流,其中图像编辑 PE 仍在开发中,本次仅发布其提示词。模型以 FP4 权重运行,可通过 SGLang 或 Diffusers 部署,约需 19 GiB 显存。
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。
推荐理由:100M 活跃参数即可在浏览器实时合成语音,为本地化配音与角色语音提供可本地运行的开源方案,支持声音克隆与逐词情绪控制。
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%。
推荐理由:Seedream 5.5 主打 100 轮稳定编辑与原生 RGBA 输出,评测显示文本严重损坏率降至 0.4%,为专业视觉生产提供更可靠的图像资产。
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。
推荐理由:新模型将原生视频长度提升至 15 秒并降价 30%,适合评估批量视频生产与广告素材制作成本。
Krea 3 是 Krea 推出的图像到图像基础模型,主打编辑速度与成本效率,单次编辑在 8 秒内完成。在 Arena.ai、Artificial Analysis 和 Design Arena 的编辑排行榜上位列第 4,速度比 Nano Banana Pro 快约 3-5 倍,成本约为其一半。
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。
推荐理由:新模型将文本生成与图像编辑统一在一个 checkpoint,16 兆像素直接输出且仅需 6 步采样,可评估其是否适合现有出图流程。
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。
推荐理由:SFX v3 改进了多声音提示跟随、音乐与声乐生成和音质,创作者可据此评估是否替换现有音效生成流程。
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。
推荐理由:创作者实测显示 Kling 4.0 在 30 秒长镜头、12 角色一致性与粤语口型同步上表现稳定,可据此评估升级。
可灵于 2026 年 10 月 15 日正式发布 Kling 4.0,支持单次 3–30 秒生成、更稳定的大幅运动与复杂运镜,以及最多 10 个关键帧输入。Omni Reference 单次生成最多可组合 15 个参考素材,包括 10 张图片、总时长不超过 30 秒的 5 段视频和 7 个元素,并可用提示词对已有素材做主体、背景、表情、机位与风格的定向修改。
推荐理由:官方梳理 Kling 4.0 的参考素材、关键帧与定向编辑能力,并给出从分镜到交付的流程建议。
ElevenLabs 发布实时语音翻译模型 Eleven Realtime Translation,面向 ElevenAPI 企业客户开放 alpha,双方各说母语即可听到对方的语言。
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。
推荐理由:FastH3 Omni 放出 ComfyUI 可用的 BF16 与 INT8 权重,并给出参考图、视频、音频的接入方式,便于创作者评估本地出片流程。
Krea 3 Ultra 在 10 月 19 至 20 日公布的三个图像编辑榜单上分别位列 Arena 多图编辑第 4、单图编辑第 8、Artificial Analysis AA-Image-Editing v2.1 第 5、Design Arena 第 4(共 51 个模型)。
推荐理由:Krea 官方逐条拆解三个榜单的票数、置信区间与排名区间,说明同一模型为何出现四个名次。
FastVideo 在 Hugging Face 发布 FastH3 OmniRef 的 ComfyUI 原生打包版本,可根据提示词与有序的图像、视频、音频参考生成视频和音频。
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。
推荐理由:8 步视频与音频模型以 NVFP4 量化权重落到单张 Blackwell 显卡,并给出与 BF16 教师模型的误差数据。
Krea 发布图像编辑模型 Krea 3,官方称多数编辑在原生 2K 下 8 秒内端到端完成,2K 每张 0.06 美元、1K 每张 0.03 美元,单次编辑最多可用 6 张参考图。
推荐理由:官方给出 Krea 3 与 Nano Banana Pro、GPT Image 2 的单张耗时和价格对比,可据此判断批量修图成本。
Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 参数的开源权重模型,支持文生图、图像编辑和最多 10 张参考图的多参考生成,具备原生 4K 生成、像素级编辑和边界框控制能力。
推荐理由:5.6B 参数的开源图像模型把 4K 生成与像素级编辑压到 8GB 显存可跑,可据此评估本地出图与改图方案。
Black Forest Labs 发布 FLUX 3 Image Klein Prompt Upsampler,一个 9B 视觉语言模型,把简短图像需求扩写成 FLUX 3 Image Klein 更适用的详细提示词。
推荐理由:官方开源了 9B 提示词扩写模型,可把简短需求扩成含光线、构图与主体细节的完整提示词,并支持参考图与边界框。
可灵官方博客拆解其短片《The Beat》的制作过程,该片在社交平台播放量已超过 500 万。文章逐项说明 Kling 4.0 的能力:原生 30 秒连续镜头生成、Omni Reference 单任务支持最多 15 个多模态参考、Multi-Keyframe 最多 10 个关键帧、10-bit HDR 输出,以及升级的立体声音频与对口型。
推荐理由:官方拆解 5M+ 播放短片的制作过程,逐项说明 Kling 4.0 的 30 秒原生生成、Omni Reference 与 10-bit HDR 在实拍级镜头中的用法。
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。
推荐理由:HeyGen 推出首个面向视频适配的语音模型,创作者可据此评估配音与多语言口型流程的替换空间。
Kling 4.0 正在分阶段推出,Kling 4.0 Flash 已于 2026 年 9 月 28 日面向有限范围内符合条件的用户开放,完整模型预计在 2026 年 10 月期间推出,具体全面开放日期尚未确认。
Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上,依托 GPT-6 Astra 实现。同时,它用 GPT-Image-2.5 提升画面精度,并借助 GPT-Live 提供通往语音电影制作的路径。
推荐理由:Higgsfield 借助 GPT-6 Astra 把 AI 视频时长从 1 分钟拉到 10 分钟以上,可据此判断长片创作的可用性。
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。
推荐理由:开源语音模型把多角色场景、多轮改稿与语音编辑放进同一模型,配音工作流可据此评估替换空间。
Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 开源权重模型,同时支持文生图、单参考图编辑和多参考图组合生成,文本编码器为 Qwen3-VL-4B-Instruct。
推荐理由:5.6B 开源权重模型把文生图、单图编辑与多图组合统一到同一模型,并给出量化版本与显存占用,便于自部署者评估落地成本。
Black Forest Labs 在 Hugging Face 发布 FLUX 3 Image Klein Base,这是一个 5.6B 参数的开源权重模型,文生图、单参考图编辑和多参考图合成共用同一模型,文本编码器为 Qwen3-VL-4B-Instruct。
推荐理由:5.6B 开源权重同时覆盖文生图、单图编辑与多图合成,并给出 BF16、FP8、NVFP4 三档显存占用,便于评估自托管成本。
腾讯 ARC 在 Hugging Face 发布 Multics,通过分层通信实现可扩展的多人视频生成。仓库包含完整的 4-player Multics DiT checkpoint、配置、Wan2.2 VAE、UMT5 文本编码器和 tokenizer,同一 checkpoint 无需重新训练即可支持 6、8、10 人生成。权重以 Apache 2.0 许可分发。
推荐理由:腾讯 ARC 开源多人视频生成模型 Multics,同一权重可扩展到 10 人,创作者可据此评估多人场景的生成方案。
NVIDIA 发布 Cosmos3-Nano 在 LIBERO-10 上后训练的动作策略检查点 S5_2,为 Cosmos Cookbook 合成数据对照研究中的一个实验单元。
NVIDIA 发布 Cosmos3-Nano 在 LIBERO-10 上后训练的动作策略检查点 S5_all,属 Cosmos Cookbook 合成数据对照实验的一个单元。
韩国视觉创作者 서오키(@oasis.seo.ai)受可灵邀请实测 Kling 4.0,用三个创作实验检验 Omni Reference、风格转场与角色一致性。她表示 Kling 4.0 能连贯眼神、表情与手势等细微动作,多图衔接时保留原图色调与质感,真人到动画反复切换中角色形态与动作保持稳定,减少了重复生成与后期修补。她也希望 Sound Effects、角色一致性与精细控制继续改进。
Qwen 发布 Qwen-Image-2.1-Turbo,这是 Qwen-Image-2.1 的加速 checkpoint,用于文生图与图像编辑,仅需 8 步去噪。
推荐理由:8 步采样与 KV 缓存复用文本和参考图上下文,创作者可据此评估出图与改图流程的提速空间。
Midjourney 在 Alpha 网站(alpha.midjourney.com)测试图像生成的新 Thinking Mode,用户可在任务 lightbox 右下角点击 "Rerun (Thinking)" 运行。测试显示该模式有助于提升提示词准确度、文字排版和画面连贯性。Midjourney 表示未来可能将其作为通用的 thinking 模式,或在任务完成后"增加更多思考"。
FastVideo 发布实验性精简模型 FastH3 Trim,transformer 块从 50 减至 42,采用 rank-16 时间步条件,8 步采样,体积比基础 H3 小 4.2 倍,速度快于 FastH3 V2。
推荐理由:FastH3 Trim 以 42 层、8 步采样和 4.2 倍体积压缩给出更轻的视频生成方案,并附 ComfyUI 各精度文件与参数。
FastVideo 发布实验性模型 FastH3 Trim,从 FastH3 V2 的 50 个 MiniMax H3 transformer block 中移除 8 个影响最小的 block,并将各 block 的 AdaLN 时间步投影替换为共享 rank-16 基,用 8 步 DMD2 训练(checkpoint 300),实现 8 步文本生成视频并同步音频。
推荐理由:FastH3 Trim 用剪枝加共享 AdaLN 把 8 步音视频生成压到消费级硬件,可对照 V2 权衡画质与体积。
IndexTeam 发布 Index-Translate-35B-A3B-preview,这是基于 Qwen3.5 的 35B 总参数、3B 激活的 MoE 多语文本翻译模型,支持 150 种语言,并原生支持端到端图片翻译,无需外部 OCR。
推荐理由:Index-Translate 家族新增 35B-A3B 预览版,支持 150 语种与图片直译,可对照报告数据评估其低资源语向表现。
Google 9 月发布前沿模型 Gemini 4 Argon,具备 100 万 token 输出上限,主打高级推理与网络安全防御,目前通过 Fairwind Program 向可信网络安全人员分批开放。
LTX-2 发布 v1.4.2,新增 ltx_pipelines.alpha_gen 管线。该管线是基于完整模型的单阶段 IC-LoRA 流程,采用 video CFG 1 并关闭 STG。
可灵 4.0 已进入封闭测试,官方计划今年 10 月正式发布,升级包括稳定动态运动、高质量立体声、更准确的对口型、最高 4K 分辨率与 10-bit HDR 输出。
推荐理由:可灵 4.0 进入内测,创作者实测 30 秒长镜头、动态稳定与多镜头一致性,可据此判断商业出片流程是否值得切换。