Gradium 开源 Phonon 端侧 TTS 模型,31M 参数版本采用 Apache 2.0
Gradium 开源端侧 TTS 模型家族 Phonon,含 31M 与 40M 两个尺寸,英文版 Phonon 31m 以 Apache 2.0 协议发布,q8 GGUF 文件 64.5 MB,输出 24 kHz 单声道音频。
Gradium 开源端侧 TTS 模型家族 Phonon,含 31M 与 40M 两个尺寸,英文版 Phonon 31m 以 Apache 2.0 协议发布,q8 GGUF 文件 64.5 MB,输出 24 kHz 单声道音频。
模思智能开源的 5B 参数文生图模型 MOSS-Image 上线 4 天在海外社区收获 130 万次下载,GitHub 获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。
推荐理由:5B 参数开源模型上线 4 天获 130 万次下载,社区已产出加速、量化版本与 LoRA,可观察其文字渲染与布局控制的实际表现。
越来越超现实了 👀 #Kling4 #KlingAI
IBM 发布开源语音语言模型 Granite Speech 5.0 2B,采用 Apache 2.0 许可,可将 6 种语言的语音转为文本并支持语音翻译。模型在 Open ASR Leaderboard 上以 5.68% 平均英文 WER 位列开源权重模型第二,仅次于 Qwen3-ASR-1.7B 的 5.40%。
一句甜甜的提示词。💜 #Kling4
火山引擎启动 Seedance 2.5 4K 模型第一批企业用户试用,与作品绑定、定向供应给全球 20 家工作室和导演,探索高端影视需求。该模型主打人物表演更细腻自然、参考生成和编辑一致性更精细,是 Seedance 2.5 这一代中的最强模型。一家已试用模型的电影工作室称,可先用 480P 生成样片,满意后再用 4K 重新生成;在用的 20 部作品中最早下个月有卫视 S 级 IP 播出。
推荐理由:Seedance 2.5 4K 以定向试用方式进入 20 部影视作品,可观察高端影视对生成模型的实际采用节奏。
可灵(Kling)官方账号发布带 #KlingAI #Kling4 标签的简短预告,未披露具体能力与上线时间。引用内容显示 Kling 4.0 已在 OpenArt 上线,支持首尾帧与中间帧引导、最多 10 张参考图、文生或帧生视频及视频编辑,Pro 与 Wonder 套餐在 11 月 20 日前享 50% 折扣。
来点戏剧性!#Kling4 #KlingAI Kling 4.0 现已登陆 Picsart,Picsart x @Kling_ai 4.0 微短剧挑战赛正式开启!🎭🏆 5万美元奖金,五位获胜者,每人1万美元。来点戏剧性,让我们感受到它! 参与入口 👉 https://tinyurl.com/dbfztpdm
可灵官方宣布 Kling 4.0 已在 OiiOii 平台上线。据 OiiOii 的说明,该版本支持最长 30 秒视频生成,主打电影级画质、精准运动与稳定场景,11 月 30 日前使用可享 25% 折扣。
Kling 4.0 已在 OnSolo 上线,支持单次生成 30 秒原生视频,快速动作与大运镜中保持运动稳定。该版本提供立体声与更精准的对口型,支持 21:9 宽画幅,单次任务最多可堆叠 15 个参考和 10 个关键帧。
推荐理由:Kling 4.0 上线 OnSolo,给出单次 30 秒原生视频、21:9 画幅与多参考图堆叠等参数,便于创作者对照现有流程评估。
可灵宣布 Kling 4.0 已在 Adobe Firefly 中上线,用户可通过 Adobe 提供的链接直接试用。该版本以 Kling 4.0 名称接入 Firefly,官方未披露更多功能细节。
推荐理由:可灵 4.0 接入 Adobe Firefly,创作者可了解该版本在 Adobe 工作流中的可用入口。
有人为 MiniMax-H3 的 Ref2VA(参考图生成视频与音频)任务发布 8 步和 4 步 PTD 加速 LoRA。
RubatoCodec 是基于 X-Codec-2 的可变帧率语音编解码器,通过 utterance 级事件预算和流式解码实现自适应分词。其 Adaptive Firing 机制利用编解码特征与波形频谱变化划分变长事件,无需学习边界预测器。在低事件率下重建保真度和可懂度优于固定帧率编码,英日基准上可懂度保持最佳,匹配 TTS 对比中 WER 更低、UTMOS 与 UTMOSv2 更高。
社区微调模型 MiniMax H3 Singularity 的 V2 INT8 检查点于 10 月 21 日上传至 WarmBloodAban/Minimax-h3_Singularity 仓库,文件为 Minimax-h3_Singularity_ref2va_v2_int8.safetensors,大小 31.7 GB。
有用户用同一段双图编辑提示词对比了 Flux Klein 9B Distilled、Flux 3 Klein Distilled、Qwen 2.1 Turbo、Krea 3、Nano Banana 2.1 和 Ideogram 4.5 六款模型。
DirCast 用单一流式视频语言模型同时完成电竞赛事直播的导播与解说:每秒低分辨率扫描全部选手镜头,由 hold-or-switch 导播模块决定是否切镜,再高分辨率读取所选镜头后开口解说。
ComfyUI 上线 FLUX 3 Max,这是 FLUX 3 Video 的延迟优化版本,可生成 10 秒 720/768p 带原生音频的片段,耗时约 12 秒。官方同时给出图生视频与文生视频两条工作流链接,并列出多候选对比、调参时预览运动、批量产出广告变体和关键帧引导分镜等用法。
推荐理由:ComfyUI 接入 FLUX 3 Max,给出 10 秒 720/768p 带原生音频、约 12 秒出片的延迟优化版本,并附图生视频与文生视频工作流入口。
可灵官方账号以 #Kling4 预告新一代视频生成模型,正文未给出具体参数。其引用的 Morphic 发布信息称 Kling 4.0 支持原生 30 秒生成、最多 10 个关键帧、15 个参考、画面文字一致与多语言,并提供 4K 与 10-bit HDR,11 月 20 日前在 Morphic 生成可享 10% 折扣。
推荐理由:可灵官方预告 Kling 4,引用信息显示其支持原生 30 秒生成与 4K 10-bit HDR,可据此判断长镜头出片能力。
可灵宣布 KLING 4.0 API 正式开放,开发者可将 Kling 4.0 集成到自有产品与工作流中。原文未披露具体能力参数、定价或接入细节。
推荐理由:可灵 4.0 开放 API 接入,开发者可据此评估现有产品与工作流的集成方式。
可灵 Kling 4.0 已在 fal 上线,官方称其为新一代原生多模态视频模型,在复杂运动稳定性、角色与场景参考一致性以及电影化叙事控制上有所提升。目前该模型仅通过 fal UX 和 fal Agent 提供,API 访问即将开放。
推荐理由:Kling 4.0 在 fal 上线,官方给出复杂运动稳定性、角色与场景参考一致性和叙事控制三项能力变化。
可灵 Kling 4.0 已在 Higgsfield 上线,支持 Omni Reference 将角色、物体与音频放在同一次生成中,并可单次生成 30 秒场景。该版本还支持用起始、中间和结束帧控制每个节拍,原生 4K 标注为即将推出。
可灵宣布 KLING 4.0 API 开放申请,开发者可将 Kling 4.0 接入自有产品与工作流。原文未披露具体接口能力、价格或开放时间。
推荐理由:可灵 4.0 开放 API 申请,开发者可据此评估把该版本接入自有产品与工作流。
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。
Mistral AI 发布 Voxtral 3 语音模型家族,包含 3 款转写模型、1 款 TTS 模型和基于 LiveKit 的语音智能体 SDK,4 个模型均已在 Mistral API 公开预览。
骨朵传媒今晚直播实测可灵4.0(Kling 4.0),重点检验30秒原生长视频生成、复杂运镜、关键帧精准可控与全能素材参考复刻四项升级功能。直播由骨朵传媒合伙人芈木木主持,电影美术指导无限画布与编剧锦鲤小金金以影视美术加剧本叙事双视角,拆解两大三星堆原创脚本,还原祭祀现场与青铜神树名场面,并横向对比朝歌、洛阳、楼兰、亚特兰蒂斯等古文明。
SolarRenderer 是一种结构条件视频渲染器,基于冻结的 MiniMax-H3 33B 主干加两个轻量 LoRA,从预训练四步 LoRA 出发实现四步渲染,比 50 步采样快 12.3 倍。
研究者提出一个模型,可为任意骨骼绑定直接联合生成视频与 3D 运动,并估计相机把运动配准到 3D 场景。它把支持任意骨架的 3D 运动模型与预训练视频模型通过少量 cross-attention 层连接,用约 200K 训练对训练,评测中比 video-first 流程更忠实地按文本驱动多种骨骼,并支持视频转骨骼运动、骨骼运动转视频及关键帧控制。
拥挤的地铁车厢。乘客与一条巨虫相撞。这是韩国导演金成洙多年来一直想搬上银幕的卡夫卡式场景。 观看金成洙分享他首次尝试AI电影制作的经历,并解释Kling 4.0如何让这个“不可能”的镜头成为可能。
用户 pixelvista 在 Reddit 发布 Fibo 2 与 Moss Image 的文生图对比,用两组人像提示词各生成一张图。Moss Image 采用 Base 模型、50 steps、3 CFG、Shift 1、SLG Scale 0、Skip Start 0、Skip Stop 1,输出 3:4 比例 4 百万像素图像。
腾讯混元于 2026 年 10 月 21 日开源交互式世界模型 Hy-Nomas,公开权重、推理代码以及训练和数据标注代码,并提供在线 demo 与 Hy-Nomas-Bench 基准。
推荐理由:腾讯混元开源可交互世界模型,文本与相机轨迹可逐段驱动长视频生成,并附基准与单卡配置。
FastVideo 发布 FastH3 Omni,这是 MiniMax H3 的参考条件化变体,提示词加有序的图片、视频和音频参考可生成带同步声音的片段,只需 8 次 transformer 评估而非基础 H3 的 50 次。
推荐理由:FastH3 Omni 把参考图、视频与音频统一进一条生成链路,并给出与基础 H3 的逐项耗时对比,便于评估本地部署成本。
Hao AI Lab 的 FastVideo 团队开源 FastH3 OmniRef,输入提示词加参考图像、短视频片段或声音即可生成带同步声音的视频。该模型只需 8 步而非 50 步,比基础 MiniMax-H3 最高快 11.9 倍,已进入 ComfyUI 0.42.2 工作流模板,并开放权重与训练代码。
推荐理由:FastH3 OmniRef 以开放权重形式发布,8 步出片并支持 ComfyUI 首日接入,创作者可据此评估本地参考生视频流程。
Bria 发布 FIBO 系列开源模型 Fibo 2.0,8B 参数 flow-matching 架构,用一套权重同时做图像生成与编辑,10 月 18、19 日在 Hugging Face 上传 Fibo 2.0 Dev 与 Fibo 2.0 Edit Turbo 两个 checkpoint。
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。
MOSS-Image 用于生成电影海报时文字清晰可读,还能指定标题、宣传语和演职员表的位置,科幻与恐怖风格版式效果逼真。该模型仅 5B 参数,可在本地运行。
fal Research 与 Black Forest Labs 联合发布 FLUX 3 Max 视频模型,在独立第三方图生视频评测中并列第一,约 12 秒生成 10 秒 720/768p 视频,比原版 FLUX 3 提速 11.5 倍、质量提升 50 Elo。
看产品的艺术指导效果。 从你的图像开始,添加 1–4 张参考图,Style Match 会在保持产品和构图不变的情况下为其重新设计风格。
ActionRoPE 提出一种无参数动作接口,将动作驱动的相机位移转换为世界坐标旋转位置,使同一世界位置的 token 在时间上保持相同位置地址,并配合 Coordinate-Conditioned Noise Scheduling(CNS)按已知-新区域分配去噪调度。
研究团队提出 Halcyon 系列早期融合多模态自回归模型,完全从零在 1 亿图文对数据集 GPIC 上预训练,证明强 T2I 生成不依赖互联网规模语言预训练。