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。

10月21日周三
10月20日周二
  1. TV Technology22

    从磁带到智能数字档案库:视听保存的技术演进

    视听档案保存正从依赖LTO磁带等物理载体转向策略驱动的数字仓储,LTO-10原生容量已达30TB和40TB,但代际迁移与兼容性仍是核心风险。高端扫描仪如Lasergraphics Director 65可扫描至13.5K,常规保存流程多用4K。数字化后的真正变革在于将保存母版直接摄入对象存储,由软件自动执行完整性、留存与复制策略。

  2. 雷峰网62

    580天暗战,爱奇艺的AI闯关路

    雷峰网复盘爱奇艺自2023年3月全员AI培训以来580天的AI落地过程,覆盖剧本工坊、影像工坊、虚拟制作与桃豆世界等应用。剧本工坊已累计为5000部小说和剧本提供评估提速,2025年4月版本接入DeepSeek等国产大模型,不到30分钟可完成50万字剧本评估。虚拟制作系统使用价格自今年6月1日起由16万元/天降至最低3.5万元/天,内部使用虚拟制作的项目数量同比增长50%。

  3. IT之家68

    蚂蚁百灵开源 Ming-3.0 语音系列模型,覆盖语音合成、音频理解与对话、语音识别

    蚂蚁百灵开源 Ming-3.0 语音系列,包含语音合成、音频理解与对话、语音识别三个系列共五款模型,开发者可按任务选择或组合进工作流。Ming-3.0-tts 的 Voice Design 支持用文字描述目标音色,也可用参考音频设定音色,导演模式可说明台词的表演方式、情绪变化、重读词与节奏处理。

    推荐理由:Ming-3.0 把语音合成、音频理解与识别拆成五个模型,其中导演模式可用文字描述台词的表演方式。

  4. CGPress72

    Mirelo 发布 SFX 2.0 视频转音效模型

    柏林 AI 研究团队 Mirelo 发布视频转音效模型 SFX 2.0,可在不重新生成画面的情况下改动视频音频,保留对白、去除未指定的音乐,并生成与动作同步、跨剪辑点连贯的音效、拟音与环境声。

    推荐理由:视频转音效模型更新,可在不改动画面的前提下重做音轨,并已接入剪辑软件与第三方平台。

  5. mlx-audio · 开源创作项目发布22

    mlx-audio v0.6.0 发布:新增 Fish Audio Drama 3、Phonon-2 与 MiMo-V2.5-ASR 支持

    mlx-audio 发布 v0.6.0,新增 Fish Audio Drama 3 语音模型、Phonon-2 语音识别和 MiMo-V2.5-ASR STT 支持,并加入 Granite Speech 4.1 Plus。该版本优化了 Breeze-TTS 与 VibeVoice 生成性能,修复 Qwen3-ASR 流式时间戳、Qwen3-TTS 预填充及 Metal 不可用时的回退问题。

  6. IT之家58

    日本演员协会发布 AI 语音使用准则,龙珠悟空配音演员野泽雅子怒批声音盗用

    日本演员协会(JAU)发布生成式 AI 使用准则第一版,适用于所有借助 AI 复刻演员声音生成的音频,要求复刻流程每一步都取得当事人同意,AI 企业将演员声音用于训练须获许可,经授权生成的语音被视作一类“表演”,企业需支付报酬或版税。

10月19日周一
  1. mlx-audio · 开源创作项目发布33

    mlx-audio v0.6.0 发布

    mlx-audio 发布 v0.6.0,新增 Fish Audio Drama 3、Phonon-2 语音识别、MiMo-V2.5-ASR 与 Granite Speech 4.1 Plus 支持。同时修复 Qwen3-TTS/ASR、Whisper 等多项问题,并优化 Breeze-TTS 生成与 VibeVoice 性能。

  2. Hugging Face Daily Papers24

    SEAM:面向低资源 TTS 的频谱嵌入对齐与合并方法

    SEAM 是一种零音频初始化方法,用已知子词为未见 token 构建嵌入,通过频谱滤波保留时序音素顺序,并用闭式岭回归将新嵌入对齐到预训练条件流形。在三种语言和两种 TTS 架构上,SEAM 用最多少 4 倍的训练数据即可接近或匹配基线,相比随机初始化和均值池化将样本复杂度降低 75%。该工作已被 EMNLP 2026 Findings 接收。

10月18日周日
  1. Production Expert38

    Session Loops 发布免费开源 AI 修音插件 PitchNet

    Session Loops 推出免费开源 AI 人声修音插件 PitchNet,采用 AI 重合成重建修音后的人声,而非直接扭曲原始波形,并可将人声检测为可编辑音符区域。插件支持 VST3、AU、AAX 及 ARA,Mac 版为 Apple Silicon 与 Intel 通用二进制,官方建议使用独立 GPU,也可在集成显卡上降速运行。

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。

  2. Hugging Face Daily Papers38

    UniAVC:通过渐进训练与非对称调度实现统一音视频创作

    UniAVC 用单一模型权重实现文本条件联合生成、双向跨模态生成与指令引导编辑,无需任务专用适配器。它先在单模态数据上训练各分支至完整生成与编辑能力,再把配对数据用于跨模态对应关系;模态解耦调度器从共享时间步独立变换噪声调度,并以单模态干净样本直接监督非对称配置。由此支持意图感知编辑与推理后自优化,仅重生成不满意的一侧。

  3. Reddit comfyui · 创作与工作流分享12

    minimax H3 语音提示词搭配音频参考失效,无法改变音量和音色

    用户反馈在 minimax H3 的参考图生视频工作流中,输入约 20 秒正常语音作为音频参考后,语音提示词无法产生任何变化,所有输出音量和音色都相同。尝试用 says、whispers quietly 等标注方式均无效,无法实现喊叫、耳语或兴奋语气等变化。

10月16日周五
  1. 中广互联 · 短剧22

    广电网络启动预重整,中国广电山西公司推进“全省一网”整合

    广电网络因债权人西安广华通信以511.33万元到期债务未清偿为由申请预重整,西安中院已受理并指定清算组为临时管理人,同步公开招募重整投资人,报名截止2026年11月8日18时并需缴纳1000万元保证金。中国广电山西公司10月10日召开“百日攻坚 决胜全年”推进会,要求加快“全省一网”深度整合并健全三级经营数据报送机制。

10月15日周四
  1. note · toshia_fuji · 图像视频创作分享22

    生成AI新闻汇总:DigUp、Fish Audio Drama 3、Mirelo SFX 2.0、OmniHuman 2.0 等新工具发布

    Fish Audio 发布语音 AI「Drama 3」,支持最多 16 名说话人、情感表演与语音编辑,模型数据和代码已开源。Mirelo SFX 2.0 可为视频自动生成同步音效并去除多余音乐,单次处理约 10 分钟片段。BytePlus 的 OmniHuman 2.0 支持单图加音频生成最长 300 秒说话歌唱视频,并可通过 API 调用。

  2. note · koheii_miaa · 图像视频创作分享65

    AI 音乐人如何用一台 Mac 制作带歌词同步与对口型的 MV,单曲 17 分钟

    作者公开了一套在 Mac 上本地生成 MV 的流程:输入歌曲与封面图,输出歌词同步显示、封面人物演唱的 30 秒视频,16:9 与竖屏两种比例,单曲约 17 分钟,不使用云端付费生成。

    推荐理由:作者公开了从人声分离到歌词同步的完整本地流程与耗时拆分,可对照评估单机出 MV 的可行性。