浙江大学等发布 ATAS:以世界状态为中心的智能体视频生成框架
浙江大学、Monash University、BAIR 等机构发布 ATAS,一个以世界状态为中心的智能体视频生成框架,论文编号 arXiv:2610.20571。
浙江大学、Monash University、BAIR 等机构发布 ATAS,一个以世界状态为中心的智能体视频生成框架,论文编号 arXiv:2610.20571。
AtomicChat 发布 Qwen-Image-2.1-Turbo 的 AD-Q4_K 量化版,体积 4.2GB,相比官方 BF16 版 14.2GB 省约 70%,作者实测 LPIPS 比普通 Q4_K 低 21%。
awesome-claude-video-skills 收录了 268 个让 coding agent 做视频的开源项目,按框架与工具箱、产品宣传片、知识讲解、剪辑、竖屏短视频等 10 类用途划分,每个项目都标注 SAFE 或 CAUTION 安全分级,由 Agent Skills Hub 审计、清单每 8 小时刷新一次。
阿里通义开源 Qwen-Image-2.1-Turbo,基于 Qwen-Image-2.1 的加速 checkpoint,沿用同一套 7B 视觉生成架构,文生图与自然语言编辑只需 8 步去噪,官方称仍能生成 2K 图像并支持加配饰、换场景等连续编辑。
推荐理由:Qwen-Image-2.1-Turbo 以 8 步去噪实现 2K 文生图与自然语言编辑,并给出 Diffusers 与 API 两条上手路径。
free-short-video v7.1.0 发布,新增 AI 视频生成错峰重试指引,在上游队列满(HTTP 503 / queue-full)时按历史成功率提示更顺畅的时间窗口,并以 UTC 存储、按各时区本地时间显示,措辞覆盖全部 22 种界面语言。
Open Film Skills v1.4.0 同步了当前源码与独立下载包,Storyboard Director 更新至 A5.7.2,并纳入场景正反视角与道具结构细节补丁。
因官方 Qwen-Image 2.1 提示词改写器是 9B 模型、需约 20 GB 内存,作者通过 HuggingChat 中的 ML Intern 造出 0.8B 版本,可在 CPU 运行,输出有效率 99.7%,token 消耗约为教师模型的四分之一,含 8,797 条标注在内的总算力成本 16 美元。
开源项目导演台发布 0.4.11,新增重力、碰撞、惯性、布娃娃及定时受力等物理能力,并提供物理演示场景。人物外形与基础动作支持选中关节调整姿势和记录关键帧,同时加入对象编组、对齐、阵列与可保存复用的用户布景库。
AI Video Production Editor v3.0.0 发布 macOS Apple Silicon DMG 安装包,已通过 Apple 公证并附公证票据,Windows 端暂无新安装包,仍提供 v2.7.0 EXE。
free-short-video 发布 v7.0.6,Docker 多架构镜像(linux/amd64、linux/arm64)已推送至 GHCR 和 Docker Hub,可通过 docker pull ghcr.io/lcy362/free-short-video:7.0.6 获取。
清华与京东 Joy Future Academy 等团队开源 Self Gradient Forcing Plus(SGF+),通过分离上下文写入与去噪参数解决 SGF 中的梯度冲突,仅用 5 秒训练窗口即可实现最长 24 小时的自回归视频生成。
pyvideotrans 发布 v4.15 Windows 预打包版本,MacOS/Linux 需源码部署。新版更新 Deepgram.com 渠道模型并增加语音合成支持,更新 Elevenlabs.io 模型并移除将被废弃的模型,同时在高级选项中新增字幕配音静音缓冲移除与力度调节。此外新增 Audexum 语音识别渠道、Infistar 翻译渠道及阿塞拜疆语支持。
sirioberati 发布 Genjustsu 开源工作流,在本地 UI 中通过彩色深度、SAM 3 遮罩和 Enhancor 的 Seedance 集成替换视频主体,先出草稿、批准后再生成 1080p。
推荐理由:开源本地工作流用彩色深度与 SAM 3 遮罩替换视频主体,并保留原始音轨,可评估其复用价值。
一条推文汇总了8个开源GitHub项目,串起从提示词到成片的完整流程:MoneyPrinterTurbo生成脚本素材音乐,VoiceStudio做本地声音克隆与配音。
motionmaxxing 是一个运行在 Claude Code 及任何读取 SKILL.md 的 Agent 中的技能,把 AI 生成的宣传片、产品推广和动态字体作品按动效设计标准重做。
Mirage 为旗下智能体创作套件 Tesseract 加入开源转换器,使 Claude 和 ChatGPT 能原生创建 Premiere(.PRPROJ)与 After Effects(.AEP)文件。
ComeCut 发布 v0.1.8,这是它的第一个 Windows 桌面版本,启动快、占用资源少,安装包仅 28MB。
Toonflow 2.0.4 发布,提供 Windows(64 位)、M 系列 Mac 和 Intel Mac 三种安装包下载。M 系列 Mac 安装包已完成 Developer ID 签名与 Apple 公证,首次打开时 macOS 仍可能提示确认。完整更新日志见 v2.0.3...v2.0.4。
kandinskylab 发布 Kandinsky 6.0 Video 系列扩散模型,包含 3B 参数的 Lite 和 29B 参数的 Pro,可生成 5 秒带 44 kHz 同步音频(含对口型)的视频,支持文生音视频与图生音视频,并配有超分模型将输出提升至 Full HD(1920×1080)。
推荐理由:Kandinsky 6.0 开源了带同步音频与对口型的视频生成模型,并给出各档显卡的实测耗时,方便创作者评估本地部署成本。
Aurora Audio Studio 2.0.1 正式版已在 Windows 与 Mac 发布,Mac Apple Silicon 安装包完成 Developer ID 签名与 Apple 公证,Windows 安装包未签名。
unclejobs-ai 在 GitHub 发布 motion-video-skill,这是一个 Claude Code 技能,用于从零制作 30 到 90 秒的动画与视频,把流程拆成故事、角色、关键帧、视频转换、音乐配音、剪辑 6 个阶段。
开源视频生成项目发布 v4.0.6,本地参考图、首帧和尾帧改用原始图片,保留尺寸、格式与透明通道,不再缩小至 768 像素或转 JPEG。Docker 升级至 Node 22,排除桌面产物和本地环境配置,并用系统 FFmpeg/FFprobe 修复 Linux ARM64 媒体探测不可用问题。
用 Claude Opus 5.5 做视频的方式不是模型直接生成画面,而是让 Claude Code、Codex 等 Agent 工具编写 HTML、Canvas、WebGL 或 Remotion 动画,再逐帧导出 MP4,字幕、镜头路径和转场都在代码里调整。
推荐理由:用 Agent 写 HTML、Canvas、WebGL 代码逐帧导出 MP4 的做视频路径,附 10 支成品与 5 个开源项目可顺着复现。
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。
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。
DramaClip v0.2.0 首个公开版发布,导入一部几十集短剧后可批量产出可直接发布的推广短视频,媒体处理全部在本机完成。该版本用 OCR 与 ASR 融合转写并借硬字幕逐字校正,实测 60% 段落被修正,同时以 CAM++ 声纹聚类做说话人分离。
推荐理由:本地完成转写、解说文案与音色克隆的短剧推广成片工具,可看其九种出片模式与剪口对齐思路。
free-short-video 发布 v7.0.5,镜像已推送至 GHCR 与 Docker Hub,可通过 docker pull ghcr.io/lcy362/free-short-video:7.0.5 或 npm 安装使用。
ReelMimic 是一个开源项目,用户提供参考视频和一句需求,它会拆解剪辑节奏、镜头长度、转场、构图、色彩与运镜,先生成分镜和风格帧计划供确认,再交由最多 6 个 AI 智能体并行制作,每个镜头由另一个智能体审核,修复需附前后对比截图。
推荐理由:本地运行的多智能体动画工具,可把参考视频的节奏与运镜拆解成可审阅的创作计划。
Second Unit 发布 2026.09.28 版本,将 Windows 下载更新至 main 分支,纳入 9 月 15 日包之后新增的工作流目录与修复。更新包含 MiniMax H3、LTX 2.5、SAM 3.1、WAN 2.2 和 Juggernaut 工作流目录,以及模型专属提示词扩展、环境预设、种子处理和 H3 Pose Follow 修复。
VideoLingo v3.1.1 发布,新增 Fish Audio 官方配音 Provider,默认使用 s2.1-pro 模型,可从原视频 15–30 秒语音克隆音色且不在账户中保存声音。
VideoLingo v3.1.0 发布,默认本地语音识别引擎改为 Qwen3-ASR,并用 Qwen3-ForcedAligner 对齐词语时间,默认选 1.7B 模型,也可切换 0.6B。
开源项目 killkli/minimax-h3-colab-skill 是一个可独立使用的 Codex 技能,通过 Google Colab 将本地参照图片生成短篇 MiniMax H3 Ref2VA 视频。
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。
Qwen-Image 2.1 与 TaylorSeer 缓存并用的张量形状不匹配问题已修复并合并进 Diffusers 主分支,从 9 月 21 日晚提 issue 到 9 月 25 日合并不到四天。
explainroo 是一个免费开源工具,让编码智能体根据主题生成讲解视频,配音、计时和渲染都在本机完成,最终输出 MP4。智能体只需写 script.md 和 scenes.js 两个文件,Kokoro 负责朗读(28 种声音、无需账号或 API key),Whisper 标注每个词的发音时间,Chrome 后台绘制画面,ffmpeg 合成视频。
YeJe-cpu 在 GitHub 开源 SeeCut,一个给 Claude Code 等 coding agent 用的 skill,把数字人或真人口播素材自动精剪成带动效的竖屏短视频,并可选推成剪映分层草稿微调。
推荐理由:作者开源了一套可复用的口播精剪 skill,含数字人配音与剪映草稿交付的完整流程。
bestagentkits 在 GitHub 开源 motion-video-skill,这是一个让 Agent 生成节拍同步动态图形视频的技能,输出 1920×1080、30 fps,画面切点落在音乐节拍上、揭示动画落在旁白词上。
Tern 是一款在 Apple Silicon 上本地运行的播客与视频库搜索工具,通过 whisper.cpp(Whisper Large v3 Turbo,Q5)、Apple Vision OCR 和 SigLIP-2 三路索引,可按语音、屏幕文字或画面内容检索任意片段,结果融合为统一排名。
BridgeMind 发布开源桌面应用 BridgeClip,可从播客、直播和访谈中找出完整片段,剪辑后导出带字幕的竖屏 9:16 或横屏 16:9 短视频。视频渲染在本地完成,AI 处理走用户自己的 OpenRouter key,支持 macOS、Windows 和 Linux,安装包内含 Python、FFmpeg 与 yt-dlp。
推荐理由:开源桌面工具把长视频切片、字幕与发布串成一条本地渲染流程,创作者可据此评估自有素材的复用方式。
SmartSub 发布 v3.9.0,新增内置 AI 创作助手(快捷键 ⌘J / Ctrl+J),支持上下文感知、对话式字幕润色、截图排障与文件对话。该版本支持 MCP 协议与 CLI 自动化,提供 111 个工具与统一命令行,可一键连接 Cursor、Codex 与 Claude Code,并新增音视频工具箱,涵盖音频提取、字幕合并/转换/对齐、视频压缩、裁剪与转 GIF。