跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

今天11月19日周四1 条
  1. Google DeepMind68

    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。

11月18日周三
  1. 可灵官方博客65

    可灵发布 Kling Image 4.0,主打真实感与原生8K生成

    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。

11月16日周一
  1. Zyphra · Zonos 语音模型66

    Zyphra 发布 ZONOS3-Mini 多语言 TTS 模型

    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。

11月13日周五
  1. 美团 LongCat · 创作模型70

    美团LongCat发布LongCat-Video-Avatar 1.6音频驱动人物视频生成模型

    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。

11月10日周二
  1. Zyphra · Zonos 语音模型65

    Zyphra 发布开源语音模型 ZONOS3-Mini

    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。

11月9日周一
  1. 字节 Seed 官方博客63

    Seedream 5.5 发布:支持 100 轮稳定编辑与原生 RGBA 输出

    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。

11月6日周五
  1. Google AI Blog82

    Gemini Omni 1.2 Flash:更快、更省成本,支持 15 秒片段

    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。

11月4日周三
11月3日周二
  1. MiniMax · 音视频模型66

    MiniMax 发布 H3-Image 开源图像生成与编辑模型

    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。

10月30日周五
  1. ElevenLabs 产品与研究60

    ElevenLabs 推出 SFX v3 音效模型,上线 ElevenCreative 和 ElevenAPI

    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。

10月29日周四
  1. 可灵官方博客71

    Ami 谈 Kling 4.0 如何让微妙情感活起来

    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。

10月26日周一
  1. 可灵官方博客67

    可灵发布 Kling 4.0,支持 3–30 秒生成与 Omni Reference

    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。

10月21日周三
  1. FastVideo 视频模型 · 模型发布80

    FastVideo 发布 FastH3 Omni 的 ComfyUI 版本模型权重

    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。

10月20日周二
10月17日周六
  1. FastVideo 视频模型 · 模型发布60

    FastVideo 发布 FastH3-QAD-v2 视频音频模型

    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。

10月16日周五
  1. Krea 官方博客71

    Krea 发布图像编辑模型 Krea 3,2K 单张 0.06 美元、多数编辑 8 秒内完成

    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。

10月15日周四
  1. Black Forest Labs 官方博客82

    Black Forest Labs 发布 FLUX 3 Image Klein 开源权重模型

    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。

  2. Black Forest Labs · FLUX 模型62

    Black Forest Labs 开源 FLUX 3 Image Klein Prompt Upsampler

    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。

  3. 可灵官方博客62

    可灵拆解 5M+ 播放短片《The Beat》,详解 Kling 4.0 五项能力

    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。

  4. HeyGen Updates78

    HeyGen 发布 HeyGen Voice 语音模型

    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。

10月14日周三
  1. OpenAI News60

    Higgsfield 用 GPT-6 Astra 将 AI 视频从 1 分钟延长到 10 分钟以上

    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。

  2. Fish Speech 官方发布72

    Fish Audio 发布开源语音生成模型 Drama 3 预发布版

    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。

10月13日周二
  1. Black Forest Labs · FLUX 模型78

    Black Forest Labs 发布 FLUX 3 Image Klein 开源权重模型

    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。

  2. Black Forest Labs · FLUX 模型76

    Black Forest Labs 开源 FLUX 3 Image Klein Base,5.6B 权重支持文生图与多图编辑

    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。

10月12日周一
  1. 腾讯 ARC · 创作模型60

    腾讯 ARC 开源多人视频生成模型 Multics

    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。

10月11日周日
10月9日周五
10月6日周二
  1. FastVideo 视频模型 · 模型发布62

    FastVideo 发布 FastH3 Trim 精简模型及 ComfyUI 重打包文件

    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。

10月3日周六
  1. FastVideo 视频模型 · 模型发布62

    FastVideo 发布 FastH3 Trim 8 步音视频生成模型

    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。

  2. IndexTTS · 语音模型60

    IndexTeam 发布 Index-Translate-35B-A3B-preview 多语翻译模型

    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。

10月2日周五
  1. 可灵官方博客62

    可灵 4.0 进入内测:创作者实测 30 秒长镜头与多镜头一致性

    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。

10月1日周四
  1. Suno 官方博客62

    Suno 发布 Speech 音频模型 beta,可同时生成人声与音乐

    Suno 发布 Speech beta,这是其首个将人声与音乐作为一条完整音轨一起生成的音频模型。用户输入想法、诗歌或已有文字,再描述想要的音色与音乐风格,即可生成配原创背景音乐的语音内容。该模型已向全体用户开放 beta,此前已在小范围用户中测试一个月,官方称英式口音偶尔会漂移到澳式等效果仍待改进。

    推荐理由:Suno 把语音与背景音乐合成到同一条音轨,做短剧旁白或配音的创作者可以据此评估新的出片方式。

9月29日周二