Pika H3 Flex 面向影像制作者的导入、品质与成本验证
作者从制作现场视角验证Pika H3 Flex,指出官方性能不能直接等同于实际可用性,人物一致性、音声分轨与4K超分需分开评估。H3 Flex基于MiniMax H3,支持最多12个参照素材与5种音声分轨,480p/768p生成后可超分至1080p/2K/4K,但4K是超分而非原生生成。
推荐理由:Pika H3 Flex现场验证显示,人物一致性、音声分轨与4K超分需分开评估,作者的三个短测试与记录方法可直接用于其他模型导入决策。
作者从制作现场视角验证Pika H3 Flex,指出官方性能不能直接等同于实际可用性,人物一致性、音声分轨与4K超分需分开评估。H3 Flex基于MiniMax H3,支持最多12个参照素材与5种音声分轨,480p/768p生成后可超分至1080p/2K/4K,但4K是超分而非原生生成。
推荐理由:Pika H3 Flex现场验证显示,人物一致性、音声分轨与4K超分需分开评估,作者的三个短测试与记录方法可直接用于其他模型导入决策。
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。
Kandinsky 6.0 是 Kandinsky Lab 于 2026 年 10 月发布的开源权重多模态扩散模型,可单次生成 5 秒视频与同步 44.1 kHz 音频,并用 <S>...<E> 标签控制角色口型同步。
作者发布 Phane,一个 100% 开放权重的本地创作工具,8GB 显卡即可运行,支持文本到 3D 运动再到任意角度。它集成 45 个引擎,覆盖图像、编辑、视频、重铸、语音等能力,一键安装,无需云端或积分。
推荐理由:这个开源工具让 8GB 显存显卡也能本地运行 45 个引擎的文本到 3D 与视频创作流程,创作者可评估是否用它替代云端付费方案。
Genspark Media Studio正式发布,接入20多家厂商的70多个模型版本,覆盖视频、图像、音频和3D生成。实测中可用Seedance 2.5、Kling、Veo生成视频,ElevenLabs生成音频,并通过“故事圣经”功能自动生成短剧。Plus和Pro会员在10月27日至11月4日期间积分消耗五折。
推荐理由:Genspark将20多家厂商的70多个模型整合进一个工作台,零基础用户也能完成从剧本到成片的完整流程。
一位创作者用 ComfyUI 制作了 3 集动画迷你剧的第一集,讲述小女巫被诅咒吞噬、遇见巨型猫的故事。技术流程包括用 ChatGPT 生成姿势与构图、Qwen Image 工作流去除 ChatGPT 风格、MinimaxH3 完成动画,并用 ElevenLabs 处理音乐与音效。作者正寻求角色一致性与多镜头动画方面的反馈。
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。
歸藏用即梦 AI 短剧工作室制作了性转马尔福互动桌面应用并开源客户端。应用含第一人称短剧与好感度系统,画面、配音和角色由即梦生成,音乐用 Suno,剪辑和代码由 Claude 完成;制作流程涵盖上传剧本、资产库、分镜导演台与视频生成,客户端已开源至 github.com/op7418/malfoy-desktop。
推荐理由:作者开源了完整客户端代码并详解从剧本到桌面的制作流程,想用即梦短剧工作室做互动作品的创作者可照此复现。
HeyGen Voice 推出语音转语音(Speech-to-Speech)功能,用户用手机或电脑录制一句台词,即可获得保留情感、节奏、重音和发音的工作室级配音,只改变声音本身。该功能现已上线 HeyGen 和 API,支持从随意录音获得干净朗读,并比文本提示提供更丰富的情感范围,包括耳语、笑声和口音。
推荐理由:HeyGen 语音转语音把手机录音直接变成工作室级配音,减少 TTS 反复生成,创作者可据此评估新配音流程。
开发者 ItsBalanse 开发了一个以 ComfyUI 为后端的一键式图像、视频和音频生成应用 try2create,用户只需按按钮即可生成,无需处理底层工作流。
FrameForge 是作者提交给 ComfyUI Higgsfield Build Competition 的开源桌面应用,围绕 Minimax H3 构建电影。
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。
谷歌发布 Genie 4 世界模型,支持实时生成周围原声音频,画质与物理效果大幅提升。同时实装了生成过程中通过提示词生成事件的能力。
作者基于TOPVIEW JAPAN在TIFFCOM 2026的参展发布,整理出AI短剧多镜头制作的9个验证要点。要点覆盖人物同一性、道具连续性、动作因果、剪辑点、音频字幕、成本与权利,并建议从三镜头测试开始,记录失败条件以评估连续制作质量。
Runway 推出 App Studio,用户可用自然语言描述需求,无代码构建带独立界面的自定义创意应用,生成图像、视频和音频。App Studio 内置 Character Swap、AutoComp、Product Portfolio 等应用,基于 Brand Kits、Workflows 和 Assets 构建,已包含在所有付费计划中,消耗现有 Runway 积分。
推荐理由:Runway 的 App Studio 把无代码应用构建带入创意工作,团队可将多年沉淀的工作流和品牌标准变成人人可用的工具,降低对个别高手的依赖。
mlx-audio v0.6.2 发布,新增 Ming 3.0 TTS/ASR/Audio Tiny 模型、Granite-Speech-5.0-2B ASR/AST 模型和 Phonon 2.5 STT 模型。
方言正在成为AI漫剧的差异化创作抓手。红果热播总榜前五有四部为AI漫剧,《咱家剑宗团宠小师妹》以河南话+萌宝修仙组合跑通系列化,五季1809集、2370万收藏、929万追剧数断层领先;东北话《东北后妈,整顿全家》位居热播榜第七。文章判断,方言的终局不是口音噱头,而是成为人物行为逻辑的一部分,才能沉淀为IP护城河。
方言正在成为AI漫剧的差异化创作抓手,河南话萌宝修仙剧《咱家剑宗团宠小师妹》以929万追剧数断层领先,五季累计2370万收藏;东北话《东北后妈,整顿全家》位居红果热播总榜第七。方言能帮助建立人物印象、AI制作降低试错成本,但长期看需从口音噱头升级为人物行为逻辑才能沉淀为IP。
mlx-audio v0.6.2 发布,新增 Ming 3.0 TTS/ASR/Audio Tiny、Granite-Speech-5.0-2B ASR/AST、Phonon 2.5 STT 模型,以及 SpeechBrain ECAPA 说话人嵌入提取器。同时修复 Fish Audio Drama 3 的帧处理、换行与内存占用问题。
创作者 Naoya 公开了用 MiniMax H3 等工具制作 18 分 24 秒、4K、共 129 个镜头的关原题材历史电影《岛津的退口》的流程。片中武将台词改用日语配音,作者把台词写成不带汉字的平假名、用专用标签包裹并加上说完闭嘴的指令,以减少误读和画面出现文字。全片 129 个镜头逐一看过后重拍,修正了头盔消失、两人同时说话、称呼颠倒和背景像现代公园等问题,结尾改为主题曲 34 秒淡出。
Jack Dorsey 的 Block 发布全双工语音模型 Dessa,官方称其为迄今最逼真的全双工语音模型,对话带有情绪、停顿与自然节奏。该模型从零开始只用人类对话录音训练,未使用文本或预训练模型,可在 M4 Max Mac 或更高配置上实时运行,训练使用一台 NVIDIA GB200 NVL72。目前仅向安全研究员开放内测,公开访问设有 waitlist。
Neural Frames 创始人 Dr. Nicolai Klemke 介绍,该平台以歌曲为起点,通过音频反应技术分析节奏、结构与情绪动态来生成音乐视频,而非通用文生视频工具的"配画面"思路。
Fish Audio 发布文本转语音模型 Drama 3,用户可在剧本中用方括号写舞台指示来调整语气、节奏和表演,并支持单词级控制、内联音效与多说话人脚本。模型以 36B 参数开放权重形式发布在 Hugging Face(fishaudio/drama-3),据用户报告全精度运行约需 46GB 显存,社区 4-bit 量化版约 32GB。
推荐理由:Fish Audio 开源 36B 语音模型,用括号舞台指示控制表演,并给出与 ElevenLabs 的基准差异和自托管显存门槛。
Lightricks 在 Hugging Face 发布 LTX 2.5 开源权重,这是一个 22B 参数的扩散模型,可下载到自有 GPU 运行,同时提供 dev 完整版与蒸馏加速版,以及 bf16、int8、nvfp4 量化格式。
推荐理由:Lightricks 把 22B 视频模型连同音频与多镜头能力一起开源,文中拆解了下载包各组件与自托管门槛。
LTX 2.5 是一个开放权重的 AI 视频模型,音视频在同一次生成中产出,并支持单次生成内包含多个连贯镜头。模型提供标准版与蒸馏版,权重可下载,能通过托管 API 调用,也能部署在自有 GPU 上;官方称新的扩散视频解码器改善了人脸、纹理、画面文字与快速运动的表现。文章还记录了在远程 Nvidia GPU 上自托管运行、用对话镜头测试对口型与面部一致性的过程。
推荐理由:文章拆解了 LTX 2.5 音视频同源生成、原生多镜头与可自托管三项特性,便于判断开放权重视频模型的实际边界。
pyvideotrans v4.17 发布,新增 Audio.cpp 语音识别渠道,并增加基于 audio.cpp 的降噪与人声分离模型。同时修复 nemotronasr 重复下载问题,新增 Opper 翻译渠道,字幕翻译增加“进一步精简”选项。
推荐理由:新版新增 Audio.cpp 语音识别渠道与降噪模型,并优化字幕翻译精简选项,适合评估视频翻译配音流程升级。
JSON2Video 定价为 Hobby 年付 $199.50、Professional 月付 $49.95,1 积分对应任意分辨率 1 秒视频,失败渲染不计费。按每分钟成本算,Startup 最低为 $0.20,比 Professional 低 20%、比 Hobby 低约 40%;一次性积分包更贵但不过期。需注意订阅积分每月清零、单条视频最长 30 分钟、渲染文件仅保留 7 天。
Higgsfield 发布 AI 数字人制作指南,用 Soul 2.0 生成角色图、Seed Audio 1.0 配音,再在 Seedance 2.5 中以图片和音轨为参考生成对口型说话视频。
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。
Adobe 在 Premiere 测试版上线 Enhance Audio,可将片段拆分为语音、音乐、环境、音效和混响并分别调节。Enhance Speech V1 本地运行不消耗积分,V2 通过 Firefly 云端运行,每分钟消耗 2 个生成式积分。剪辑时不再因每次剪切或淡入淡出触发重新渲染,片段两侧各处理 5 秒 handles。
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%。
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。
Longshot Studio 更新至 0.15.0,针对对口型和面部精修做了多轮迭代,API 免费并运行在用户自己的 ComfyUI 上,代码已开源于 GitHub。作者同时发布了一支完全用该工作室制作的音乐视频《Falling Fast》作为效果示例。
HeyGen Voice Turbo 以合作节点形式接入 ComfyUI,支持单段录音完成声音克隆,并把任意脚本转成语音。Turbo 每 1000 字符成本不到 1 美分,面向本地化广告、培训视频、产品讲解和 AI 数字人管线等规模化配音场景。
作者发布 ComfyUI-AudioCPP 项目,目标是把 audio.cpp 的 TTS、ASR、声音转换、音乐生成、音频增强与分离等能力统一接入 ComfyUI,覆盖 120+ 音频模型族。
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。
LALAL.AI 万圣节促销从 10 月 21 日持续到 11 月 2 日,PRO 年付订阅首年 30% OFF,价格从 $180 降至 $126,约合每月 $10.50。
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。
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。