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。
Google于11月16日宣布图像生成编辑工具Google Pics更新至Nano Banana 2.1模型。新模型在保持同等处理速度下,提升画质与真实感,并改善编辑一致性与文字描写,部分编辑时背景等元素更不易崩坏。更新无需用户设置,面向Google AI Pro/Ultra等付费计划,11月16日起1-3天逐步反映。
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。
Curious Refuge 公布 2027 年最佳 AI 图像生成器榜单,Google 的 Nano Banana 2.1 以 9.02/10 总分登顶。GPT Image 2.5 以 9.00/10 紧随其后,提示遵循得分最高(9.86/10)。评测基于 29 个标准化边缘案例提示词,从提示遵循、视觉保真度、风格与写实三个维度评分。
谷歌发布新一代世界模型 Genie 4,可在生成世界的同时原生生成音乐、环境音和交互式对话。相比上一代 Genie 3,新模型加入原生音频、实时人物对话,以及由 Gemini 模型提供的多步骤推理和场景控制能力,目前以研究预览形式向受信任测试者逐步开放。
推荐理由:Genie 4 在上一代基础上加入原生音频、实时对话与多步骤推理,创作者可据此评估其交互式模拟能力。
谷歌 DeepMind 发布 Genie 4,世界模型实现原生多模态,画面、音乐、环境声和对话可同时生成。技术上基于 Gemini 家族,Gemini Omni 负责让模拟锚定真实世界的样貌和物理行为。
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。
Google 的 Nano Banana 2.1 支持最多 14 张参考图,分为 10 个物体位和 4 个角色位,并新增 minimal、medium、high 三档思考级别,medium 为默认。
Google 于 10 月 13 日扩大 Gemini 4 Argon 开放范围,该模型支持 1,048,576 token 上下文,可接收文本、图像、视频、音频和 PDF,Gemini 应用 Pro、Ultra 用户及付费 API、AI Studio 用户均可使用。
疑似 Gemini 4 Argon 内部测试流出,用 Simon 经典 SVG 测试画出戴船长帽的拟人鹈鹕骑淡紫自行车,从灰度线稿进化到粉彩矢量大片。画面含前篮藏鱼、羽毛微层次、Peach Dusk/Seafoam Mist 粉彩氛围与珐琅漆质感,海滨栈桥、帆船、热气球背景图层可独立开关。背景上下文称 Gemini 4 Argon 今晚将向 Ultra 订阅用户开放测试。
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。
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。
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。
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。
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。
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。
作者对 Kling 4 早期访问版做了实测,目前仅开放 Flash 模型、输出 720p,面向年度套餐的 Ultra 订阅用户,更大模型计划 10 月推出。测试显示 Kling 4 似乎解决了 3.0 的对口型漂移问题,关键帧参考最多支持十个,但表演略显平淡。
Google 于 9 月 23 日推出 Gemini 3.8 TTS 与 Gemini 3.8 Flash-Lite TTS,称其为目前能力最强的音频生成模型。前者面向创意方向与角色设计,可用自然语言提示从零生成新声音,覆盖游戏、有声书、播客等场景,并支持超过 100 种语言和方言的角色、口音与声音特征定制;后者用于 AI 配音、内容创作和语音智能体。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在原生实时对话模型上加入近实时视频生成,实现带口型同步、自然表情和流畅轮替的动态视觉形象。
推荐理由:Gemini 3.8 Live 新增实时数字人能力,支持 97 种语言口型同步与后台工具调用,企业可据此评估虚拟客服等场景。
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。
推荐理由:两款 TTS 模型把声音生成从固定预设变成可逐句导演的创作流程,配音与有声书团队可据此评估迁移。
Google DeepMind 与 Primordial Soup 合作推出纪录短片《Love, Rendered》,用 AI 复原 Burt 和 Ethelle Shatz 夫妇未曾拍摄的相遇场景。
推荐理由:Google DeepMind 用图像修复与表演捕捉模型复原未拍摄的往事,可看到生成式工具在纪实影像中的具体用法。
Google 发布 Gemini 3.7 Flash,主打编程与智能体,每百万 token 价格为首发 3.6 Flash 的一半;同期推出语音转文本模型 Gemini 3.5 Transcribe,面向语音智能体、实时字幕和通话后分析。Gemini 应用月活突破 10 亿,Gemini Omni 1.1 Flash 已在 Google Flow、AI Studio 等平台上线。
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能,视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由:Gemini 新功能把长视频分析成本与 token 消耗大幅压低,开发者可据此评估现有视频处理流程。
Google DeepMind 发布 Gemini Omni 1.1 Flash,通过 Gemini API 在 Google AI Studio 向开发者提供生成式视频能力。
推荐理由:Gemini Omni 1.1 Flash 面向开发者开放场景延长、首尾帧插值与 4K 超分,可据此评估视频工作流改造空间。
Google 发布新一代音乐生成模型 Lyria 3.5,并在 Google Flow Music 中上线。官方称其在音乐性、歌词与演唱质量上均有提升,旋律结构更丰富自然,歌词生成对提示的遵循和结构意识更强,人声表现力与发音改善,同时新增对节奏和时长的控制。
Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)两款模型。
推荐理由:两款模型分别主打图像生成的速度成本与视频的对话式编辑,开发者可据此评估接入组合流程。
Google 发布音频模型 Gemini 3.5 Live Translate,支持 70+ 语言的近实时语音到语音翻译,能自动检测语言并保留说话人的语调、节奏和音高。
推荐理由:Gemini 3.5 Live Translate 把同传延迟压到几秒并支持 70+ 语言,开发者可据此评估实时配音与会议翻译方案。
Google DeepMind 为实验性原型 Project Genie 推出 Street View 实景锚定能力,用户可选取美国地点并叠加风格,让生成世界的起点绑定真实街景影像。
Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言对话进行多轮编辑。
推荐理由:Gemini 首个视频生成模型 Omni Flash 上线,支持多模态输入与对话式多轮编辑,可对照现有出片流程评估。
Google 发布 Gemini 3.1 Flash TTS,称其为目前最自然、表现力最强的语音模型,在 Artificial Analysis TTS 榜单上取得 1,211 Elo 分。
推荐理由:Gemini 3.1 Flash TTS 引入音频标签与多说话人对话,开发者可据此评估语音生成的可控性提升。
Google 发布 Gemini 3.1 Flash Live,称其为目前质量最高的音频与语音模型,具备更高精度和更低延迟。
推荐理由:Gemini 3.1 Flash Live 在语音交互的延迟、长程推理与多语言上给出可对比的基准数据,开发者可据此评估语音智能体的落地。
Google DeepMind 发布 Lyria 3 Pro,可生成最长 3 分钟的曲目,并能按前奏、主歌、副歌、桥段等结构元素进行提示。该版本已上线 Vertex AI 公共预览、Google AI Studio 与 Gemini API,并接入 Google Vids、Gemini 应用和 ProducerAI;Lyria 3 与 Lyria 3 Pro 的输出均嵌入 SynthID 水印。
推荐理由:Lyria 3 Pro 把单曲时长拉到 3 分钟并支持段落级提示,创作者可据此判断能否用于成片配乐。
Google DeepMind 发布最新图像生成模型 Nano Banana 2(Gemini 3.1 Flash Image),将 Nano Banana Pro 的先进世界知识、质量与推理能力带到 Flash 速度。
推荐理由:Nano Banana 2 把 Pro 级世界知识与文字渲染下放到 Flash 速度,并给出多平台上线与定价入口,可据此评估图像工作流是否切换。
Google DeepMind 在 Gemini 应用内以 beta 形式上线最新音乐生成模型 Lyria 3,用户用文本或图片即可生成 30 秒歌曲,歌词由模型自动生成,并可控制风格、人声与节奏。
推荐理由:Lyria 3 在 Gemini 应用内开放文本与图片生成 30 秒歌曲,并加入音频 SynthID 验证,可观察音乐生成的产品化路径。
Google DeepMind 面向美国 Google AI Ultra 订阅用户(18 岁以上)开放 Project Genie,这是一个由 Genie 3、Nano Banana Pro 和 Gemini 驱动的实验性研究原型,可创建、探索和 remix 交互世界。
推荐理由:Google 把 Genie 3 世界模型做成可交互原型,创作者可据此判断实时生成世界在动画与影视预演中的可用边界。
Google DeepMind 推出 D4RT(Dynamic 4D Reconstruction and Tracking),一个统一 4D 场景重建与追踪的 AI 模型,采用编码器-解码器 Transformer 架构和查询机制,可同时完成点追踪、点云重建与相机位姿估计。
Google DeepMind 更新 Veo 3.1 Ingredients to Video,让基于参考图生成的视频更具表现力,并首次支持原生 9:16 竖屏输出,面向 YouTube Shorts 等移动端短内容。
推荐理由:Veo 3.1 的 Ingredients to Video 更新带来原生竖屏与 1080p/4K 超分,创作者可据此评估短剧出片流程。
Google 发布升级版 Gemini 2.5 Flash Native Audio,面向实时语音智能体,提升了复杂工作流处理、指令遵循和多轮对话能力,在 ComplexFuncBench Audio 上以 71.5% 领先,开发者指令遵循率从 84% 升至 90%。
推荐理由:Gemini 2.5 Flash Native Audio 更新了函数调用、指令遵循与多轮对话能力,并新增实时语音翻译,可据此评估语音智能体与翻译场景的可用性。