Midjourney Alpha 更新:样式预览、默认参数与协作工具预告
Midjourney 为 alpha.midjourney.com 上线侧边栏样式预览、Create 更大图片和文件夹默认参数设置,本周以修 bug 和清理为主。提示栏中多个 sref 现合并为带缩略图的单个样式 pill,悬停可查看代码,并支持将 --exp 固定为文件夹默认值。官方称下周将推出新的协作工具,并预告持久化编辑历史与更好的样式探索方式。
Midjourney 为 alpha.midjourney.com 上线侧边栏样式预览、Create 更大图片和文件夹默认参数设置,本周以修 bug 和清理为主。提示栏中多个 sref 现合并为带缩略图的单个样式 pill,悬停可查看代码,并支持将 --exp 固定为文件夹默认值。官方称下周将推出新的协作工具,并预告持久化编辑历史与更好的样式探索方式。
WaveSpeedAI 发布 Ultimate Video Upscaler,可将视频超分至 720p、1080p、2K 或 4K,官方示例把 480p 的 5 秒片段升到 3840 × 2160、保持 24 fps 与原声。
推荐理由:低分辨率草稿加后期超分的工作流,配合按目标分辨率计价的成本结构,可用来评估出片流程的取舍。
WaveSpeedAI 在生成器侧边栏上线 AI Cinema Studio,用 References、Film setup、Camera、Color palette、Lighting 五张卡片把电影风格、机型、镜头运动和灯光选择转成给视频模型的精确镜头描述。
推荐理由:把电影感拆成风格、机型、镜头运动等预设面板,创作者可据此判断是否省去写提示词的环节。
Luma 推出 Variants,用户上传一张已过审的静态广告后,选择版式与语言,即可自动生成各尺寸与语言组合的版本,logo、标题和 CTA 保持不变,仅调整布局与文案。
推荐理由:广告团队可据此评估把单张已过审素材批量适配多尺寸与多语言版本,替代手工重做。
Runway 发布 Runway Ads,一个端到端运行并优化付费广告创意侧的产品:接入广告账户与品牌素材后,可生成视频和图片创意,将审核通过的变体直接发布到 Meta、Google 和 TikTok,再从这些平台读取投放表现并据此生成下一轮创意。
推荐理由:Runway 把广告创意生成、投放与效果回收打通成一个闭环,并给出自家投放的转化与成本数据,可据此判断自动化投放工具的可用边界。
facefusion 发布 v4-beta 版本,新增 Timestamp 别名类型。该版本由 henryruhs 于 9 月 30 日打标签,具体功能细节尚未在发布说明中展开。
LTX-2 发布 v1.4.1,修改了 HDR 视频编码流程,将解码后的数据块直接输出为 EXR 和 HLG,不再在内存中保留完整片段。该版本由 lt-research-bot 于 9 月 30 日发布,包含 1 次 main 分支提交。
facefusion 发布 3.9.1 版本,更新至最新 onnxruntime 版本,并将 arena workaround 限制在受影响的 onnxruntime 版本上。该版本还修复了 CoreML 下内容分析器的性能问题。
LTX-2 发布 v1.4.0,为 Distilled、TI2Vid 两阶段、A2Vid、Dub-It 和 IC-LoRA 加入 --chunked,可按默认 97 帧窗口与 25 帧 carry 生成超长视频,无需再设置 --chunk-pixel-frames 或 --chunk-carry-frames。
推荐理由:LTX-2 v1.4.0 把长视频生成、分块解码与 HDR 流程的接口变化集中列出,便于已有工作流评估迁移成本。
Canva 为 Meta 的个人 AI 智能体 Muse 推出 AI Connector,Muse 可将视觉创作任务直接交给 Canva 完成。连接后 Muse 能调用用户的品牌字体、颜色和素材,搜索设计库并导出成品文件,生成的设计始终可编辑。该功能已面向美国和加拿大用户开放,AI 能力由 Canva Shield 提供安全支持。
Adobe 在 OpenAI DevDay 2026 期间为 ChatGPT 中的 Adobe 插件推出交互式编辑功能,可在侧边栏中选中图像局部后让 ChatGPT 调用插件修改,再用色相、饱和度、对比度等动态滑块微调,编辑结果会作为上下文回到对话中。
InvokeAI 发布 v6.14.2,修复 6.14.1 的多个 bug 并新增两项功能:Canvas 文字工具支持导入自定义字体,以及通过参考图将图像风格迁移到 krea-2。该版本还修复了密码重置令牌、路径遍历防护、img2img 色调分离、VRAM 中量化 Qwen2.5-VL 编码器释放等问题,并限制 Z-Image 仅使用 Qwen3 4B 编码器。
pyvideotrans 发布 v4.14 Windows 预打包版,完整包 2.7G,补丁包 360MB 仅用于覆盖旧包。该版本优化语音、字幕、画面对齐算法,Google 翻译前先检测,遇 429 拦截自动切换微软翻译,并优化 openai-whisper 模型下载。MacOS/Linux 需源码部署,新版有问题可继续使用 v4.13/v4.03。
Cartesia 推出 Multilingual Voices,50+ 库内音色可原生说最多 25 种语言,并支持把自建声音克隆扩展为多语言。每个语言和口音由母语者按评分表打分,检查口音是否保持以及日期、数字、货币是否按当地读法处理。
推荐理由:Cartesia 把同一音色扩展到 25 种语言,并支持用十秒音频克隆后追加多语言口音,做多语种配音的团队可据此评估替换现有流程。
pyvideotrans v4.13 发布 Windows 预打包版,模型下载失败后自动重试,并优化 whisper 模型识别后的重断句算法。该版本完善硅基流动、Minimax、OpenRouter 的语音识别、字幕翻译与语音合成模型支持,新增豆包语音合成 2.0 配音角色,并重构设置窗口与菜单架构。Qwen-TTS、Higgs 等本地配音渠道放弃 8 位量化,媒体合并功能新增暂停按钮。
Google 旗下 Envisioning Studio 与 Google Labs 合作,用 AI 创作工具 Google Flow 为设计师 Jane Wade 和 Sergio Hudson 定制了两款工具,赶在纽约时装周前投入使用。
fal 官方博客介绍 H3 Max 如何在其 Compute、Serverless 和 Model API 三层平台上完成从后训练到分发。H3 Max 生成 5 秒视频用时不到 3 秒,在 fal 的人类偏好评测中于质量、提示理解和美学三项排名第一,Artificial Analysis 与 Design Arena 的独立基准也将其列为第一。
推荐理由:fal 官方拆解 H3 Max 从训练到上线的三层平台,可看到低延迟视频生成背后的推理与扩容机制。
Descript 发布 9 月更新,字幕新增 18 个预设与 10 个文字动画,并支持搜索过滤;AI 可按描述生成背景音乐与音效,需升级至 145.0.15 或更新版本。结账新增 Apple Pay、Google Pay、Cash App 等支付方式并显示本地货币,语音库改用 ElevenLabs,跳剪平滑改为按秒计费(音频 0.5 AI 积分/秒、视频 1.0/秒)。
Vimeo Enterprise 8 月更新上线,为 Webinars、Live events 和 Vimeo AI 带来 10 项改进。注册表单支持最多 8 种语言的 AI 翻译,注册者可获个人专属 Magic links 一键入场,活动邮件可设置独立发件人身份。
College Path Studio 借助 Pictory 在不增加人手的情况下扩大视频内容产出,团队效率提升 450%、视频制作成本节省 250%。这家约四人的小团队用 Pictory 按场景搭建视频,覆盖免费与付费课程、产品演示、YouTube 产品短片和长教育视频,并让团队保持不出镜。
OpenAI 在 API 中推出 GPT-Live-1,支持自然的全双工语音对话。该模型在指令遵循上有所增强,并支持自定义音色与电话通信能力。
推荐理由:OpenAI 把全双工语音对话能力开放到 API,开发者可据此评估语音交互产品的接入方式。
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 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 在 Workspace 下推出图像创作与编辑工具 Google Pics,基于 Nano Banana 图像生成与编辑模型,将在未来几周向所有 Google AI Pro 和 Ultra 订阅者及多数 Workspace 商业客户开放。
推荐理由:Google 把图像生成与编辑工具接入 Workspace 应用,可据此判断团队出图流程是否要迁移。
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线,用 Cerebras 加速 Gemma 4 31B 推理,语音识别用 Nvidia 的 Parakeet,语音合成用阿里 Qwen3TTS,各层模块化且开源可替换。
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 宣布把内容透明度与验证工具扩展到 Search、Gemini、Chrome、Pixel 和 Cloud。SynthID 已为超过 1000 亿张图片和视频、6 万年音频打上水印,Gemini 中的 SynthID 验证已被使用 5000 万次,并将在数周内进入 Search 和 Chrome。
推荐理由:Google 把 SynthID 与 C2PA 验证铺到搜索、Gemini 和 Chrome,并开放 AI 内容检测 API,可观察内容溯源工具的平台化路径。
OpenAI 重建了其 WebRTC 技术栈,以支撑实时语音 AI 的低延迟、全球规模化与流畅的对话轮次切换。
ChatGPT 支持通过清晰的提示词创建和优化图像,用户可在几分钟内迭代设计并生成高质量视觉内容。
Descript 借助 OpenAI 推理模型实现大规模多语言视频配音,可自动完成大型内容库的本地化,同时保留原有时间轴与语义。
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。
Gradio 团队开源 Python 库 Daggr,可用代码串联 Gradio 应用、ML 模型与自定义函数,并自动生成可视化画布。它支持检查任意节点输出、单独重跑某一步骤、配置备用节点,并自动保存工作流状态与缓存结果。Daggr 要求 Python 3.10 以上,可通过 pip 安装,工作流可部署到 Hugging Face Spaces 分享。
Higgsfield 借助 OpenAI 的 GPT-4.1、GPT-5 和 Sora 2,让创作者用简单输入即可产出电影感、适配社交平台的视频。
Google 在 Gemini 应用中上线图像验证功能,用户上传图片并提问即可通过 SynthID 数字水印判断该图是否由 Google AI 生成或编辑。SynthID 自 2023 年推出以来已为超过 200 亿件 AI 生成内容打上水印,Google 计划将验证扩展到视频和音频等格式,并接入 Search 等更多入口。
推荐理由:Google 把 SynthID 水印检测放进 Gemini 应用,创作者可据此判断图片是否由 Google AI 生成或编辑。
Hugging Face AI Sheets 发布重大更新,新增视觉支持,可在表格中直接查看、分析、提取图像信息并生成和编辑图片,无需写代码。该工具由 Inference Providers 驱动,可调用数千个开源模型,支持从收据、文档、图表中提取结构化数据,也能按提示词生成配图并批量产出变体,结果可导出为 CSV 或 Parquet。
Hugging Face 在 Gradio 中新增 watermark 参数,开发者只需一行命令即可为 AI 生成的图像、视频和文本添加可见水印。图像和视频通过 gr.Image、gr.Video 的 watermark 参数指定水印文件,支持图片或 numpy 数组,还可使用 QR 水印;文本则通过 gr.Chatbot 的 watermark 参数在用户复制 AI 回复时自动附加署名。
Invideo AI 借助 OpenAI 的 GPT-4.1、gpt-image-1 和文本转语音模型,把创意想法在几分钟内转化为专业视频,视频制作速度提升 10 倍。
Hugging Face 在 Inference Endpoints 上线新版 OpenAI Whisper 部署方案,基于 vLLM 实现,RTFx 较此前版本提升近 8 倍,转录质量无损。
ChatGPT 图像生成支持从提示词、草图或上传图片出发,创建品牌视觉素材与产品效果图。该功能面向品牌视觉与产品 mockup 场景,可基于已有素材进行生成。
Hugging Face 与 Cloudflare 达成合作,FastRTC 开发者凭 Hugging Face Token 即可接入 Cloudflare 覆盖全球 335 多个地点的 TURN 网络,每月免费流式传输 10GB 数据且无需信用卡。该集成将在 FastRTC 0.0.20 及以上版本提供,超出限额后可切换至 Cloudflare 账户扩容。