Fish Audio 发布 Drama 3 语音合成模型,支持 16 角色与自然语言表演指令
Fish Audio 于 2026 年 10 月 13 日发布新一代语音合成模型 Drama 3,为开放权重的 35B MoE 模型,每 token 激活 3B。
推荐理由:35B 开源语音模型支持 16 角色同轨生成与自然语言表演指令,可对照其发音鲁棒性数据评估配音与有声书流程。
Fish Audio 于 2026 年 10 月 13 日发布新一代语音合成模型 Drama 3,为开放权重的 35B MoE 模型,每 token 激活 3B。
推荐理由:35B 开源语音模型支持 16 角色同轨生成与自然语言表演指令,可对照其发音鲁棒性数据评估配音与有声书流程。
基于 Speridlabs 的 Iris-3B,作者在 Google Colab 的 A100 80GB 上完成约 30 亿参数模型本体的全参微调,公开了插画模型 Iris3B Illustration 和在此基础上追加 600 更新调整画风的 IrisKimi-3B-v1。
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。
Google 于 10 月 6 日将生图模型 Nano Banana 更新至 2.1,底座换成 Gemini 3.6 Flash,升级集中在视觉设计、蒙版编辑、主体一致性和画面真实感四个方向。实测显示画面质感支持 4K 原图直出、微距细节扎实,中文文字的清晰度与排版也有明显进步,但连续改图环节仍存在需要留意的坑。
Qwen-Image-2.1 Turbo 沿用基础 2.1 的 7B 视觉生成架构,推荐调度为 8 步,官方示例用四张参考图把扶手椅、圆桌和边柜合成到同一房间角落。
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。
你已经有产品图了。现在你需要把它放到别的地方。 Product Shots 让创意团队把同一产品置入新场景,无需每次从头开始。
阿里通义开源 Qwen-Image-2.1-Turbo,基于 Qwen-Image-2.1 的加速 checkpoint,沿用同一套 7B 视觉生成架构,文生图与自然语言编辑只需 8 步去噪,官方称仍能生成 2K 图像并支持加配饰、换场景等连续编辑。
推荐理由:Qwen-Image-2.1-Turbo 以 8 步去噪实现 2K 文生图与自然语言编辑,并给出 Diffusers 与 API 两条上手路径。
OpenAI 在 API、Codex 和 ChatGPT Work 推出 GPT-6.1 Sol 的 Ultrafast 加速服务档,官方称速度最高可达 Standard 的 8 倍,API 价格为标准档的 6 倍。
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"。
Google 发布图像模型 Nano Banana 2.1,基于 Gemini 3.6 Flash,取代 2 月的 Nano Banana 2,并已进入 Gemini app、Flow 和 Google Ads。
Midjourney 在 10 月 7 日 Office Hours 上宣布 Thinking Mode 已可在 Alpha 版网站使用,通过增加算力重新生成来改善提示词遵循度,内部测试称可改善约 60〜80% 的提示词问题。
生数科技推出 Vidu Q4 Preview,作为 Vidu Q4 面向创作者的首个预览版本,重点提升人物演绎、镜头语言与复杂视效,首发价格 0.09 元/秒起,同样预算最高可生成 5 倍内容。
推荐理由:Vidu Q4 Preview 把 0.09 元/秒的首发价与 15 张参考图、2K/4K 输出放在一起,可据此判断 AI 视频批量生产的成本区间。
清华与京东 Joy Future Academy 等团队开源 Self Gradient Forcing Plus(SGF+),通过分离上下文写入与去噪参数解决 SGF 中的梯度冲突,仅用 5 秒训练窗口即可实现最长 24 小时的自回归视频生成。
Opus 5.5 用纯代码为对手 Dots 生成了一支皮克斯风短片,角色毛毡绒感、大眼高光、浅景深,全程浏览器逐帧实时渲染,未开建模软件、未用任何素材。六只毛绒 Dot 围着一团白线编成白色花结,片尾点题"六种颜色加在一起,是白色的光",光、毛、反射、景深效果接近棚拍实拍。
可灵宣布 Kling 4.0 即将发布,并将在 10 月 10–13 日于韩国釜山 ACFM 展示一系列用该模型创作的真实项目。可灵表示,其关注点已不只是 AI 能生成什么,而是它能否理解导演创作意图、保持角色与叙事连贯,并融入动画、真人影视和剧集的专业制作流程。届时将与影视人、工作室和内容平台共同探讨生成式 AI 从创意实验走向专业生产。
谷歌在 Gemini API 正式发布图像生成与编辑模型 Nano Banana 2.1(模型 ID:gemini-nano-banana-2.1),单张 1K 图成本约 $0.034,约为 Nano Banana 2 的一半。
推荐理由:谷歌图像模型 2.1 单张成本约降一半并新增全景比例与 14 图融合,可据此评估是否迁移现有出图流程。
作者用 UniversalModder 把 DOOM 塞进 Skyrim,做出 SkyDoom,并演示如何把任意两款自有游戏混搭;UniversalModder 是 Claude Code、Codex 或 Gemini CLI 的一个 skill,指向两款游戏并说明需求即可。
Nano Banana 2.1 现已在 Pika 上线。更出色的画质、更快的速度,并内置 Gemini 的真实世界智能。 你可以尽情“bananas”了。
Google 正式发布 Nano Banana 2.1 图像生成与编辑模型,官方称其在视觉设计、Mask 精准编辑和主体一致性上全面超过上一代,画面更自然真实。该版本已在 Gemini、Search AI Mode、AI Studio、Flow、Stitch、Google Ads 和企业平台铺开。
推荐理由:Google 图像生成模型升级,点名视觉设计、Mask 编辑与主体一致性三项能力变化,并已在多个产品线铺开。
谷歌发布 Nano Banana 2.1 图像模型,中文文字清晰度和错字问题大幅改善,中文字体设计与排版美学也较好,画面干净。该模型支持生成 4K 图片,输出 2K 每张 0.050 美元,输出 4K 每张 0.076 美元。
新的想象。新的故事。新的创作方式。✨ 看看创作者们用 Kling 4.0 和 Kling 4.0 Flash 创作了什么。
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。
腾讯混元团队与复旦大学合作推出开源视频模型 Prism,原生生成 2K 带音频,约 10 秒 24fps、48 kHz 音频,仅支持图生视频,720p 需 80 GB 显卡且暂无量化版本;代码在 Tencent-Hunyuan GitHub 组织下,预览权重放在个人 Hugging Face 账号,腾讯未发布官方公告。
Reka AI 发布 190 亿参数全模态模型 Rho-1 的研究预览版,在单一神经网络内处理并生成文本、图像、视频和机器人控制动作,所有模态以 token 形式运行在同一上下文窗口中,无需工具调用或外部模型。
kandinskylab 发布 Kandinsky 6.0 Video 系列扩散模型,包含 3B 参数的 Lite 和 29B 参数的 Pro,可生成 5 秒带 44 kHz 同步音频(含对口型)的视频,支持文生音视频与图生音视频,并配有超分模型将输出提升至 Full HD(1920×1080)。
推荐理由:Kandinsky 6.0 开源了带同步音频与对口型的视频生成模型,并给出各档显卡的实测耗时,方便创作者评估本地部署成本。
可灵发布幕后文章,逐镜头拆解其短片《The Beat》在社交平台超过 500 万次曝光所用的 Kling 4.0 功能。文中提到 Kling 4.0 原生支持 30 秒连续生成,Omni Reference 单次任务最多支持 15 个多模态参考,Multi-Keyframe 最多支持 10 个关键帧,并具备 10-bit HDR 输出、升级的立体声音频与改进的对口型。
动态中的思绪 ✨ #Kling4 #KlingAI
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。
Runway AI 峰会闭幕,Runway 联合创始人兼联合 CEO Cristóbal Valenzuela 回顾了生成式视频的演进,并介绍了 Runway Labs 的最新项目 Continuum。 注册即可在完整演讲上线时获得通知:https://summit.runway.com/talks
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。
可灵 4.0 已进入封闭内测,官方发布定于今年 10 月。新版本升级音频与画面,支持稳定动态运动、高质量立体声、更精准对口型、最高 4K 分辨率与 10-bit HDR 输出,并可生成最长 30 秒视频。
推荐理由:可灵 4.0 进入内测,创作者可据此了解其在动态稳定性、长镜头与一致性上的能力变化。
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 Kling 4.0 Flash 已在官方 App 限量开放,Ultra 年费订阅用户从 9 月 28 日起获得访问资格,功能页列出单次最长 20 秒、最高 720p 的规格。
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。
介绍 @runwayml_labs 的 Project Continuum,一个围绕实时视频界面构建的全新操作系统研究应用。 今天,我们分享四种与计算机交互新方式的早期预览:Portals、Visual Thinking、Responsive Video Interfaces 和 Interactive Worlds。像 Solaris 这样的 Interface World Models 正在重新构想界面可以是什么。