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。
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。
Runway AI 峰会闭幕,Runway 联合创始人兼联合 CEO Cristóbal Valenzuela 回顾了生成式视频的演进,并介绍了 Runway Labs 的最新项目 Continuum。 注册即可在完整演讲上线时获得通知:https://summit.runway.com/talks
Google 9 月发布前沿模型 Gemini 4 Argon,具备 100 万 token 输出上限,主打高级推理与网络安全防御,目前通过 Fairwind Program 向可信网络安全人员分批开放。
可灵 4.0 已进入封闭内测,官方发布定于今年 10 月。新版本升级音频与画面,支持稳定动态运动、高质量立体声、更精准对口型、最高 4K 分辨率与 10-bit HDR 输出,并可生成最长 30 秒视频。
推荐理由:可灵 4.0 进入内测,创作者可据此了解其在动态稳定性、长镜头与一致性上的能力变化。
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。
介绍 @runwayml_labs 的 Project Continuum,一个围绕实时视频界面构建的全新操作系统研究应用。 今天,我们分享四种与计算机交互新方式的早期预览:Portals、Visual Thinking、Responsive Video Interfaces 和 Interactive Worlds。像 Solaris 这样的 Interface World Models 正在重新构想界面可以是什么。
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。
在今天的 AI Summit 上,Runway CTO Kamil Sindi 进一步介绍了我们的首个世界接口模型 Solaris。一种新型操作系统,随着你的交互而自我构建。每一帧都根据你的意图实时生成。 在主题演讲中,Kamil 分享了一个清晰的愿景:未来所有软件都是生成的。无需一行代码。 了解更多关于 Solaris:https://runway.com/news/research/introducing-solaris
⚡️⚡️ (引用推文内容:@umesh_ai 获得了 Kling 4.0 Flash 的抢先体验!这是我最初的几次尝试之一。提示词理解非常棒。@Kling_ai #Kling4 提示词 ⤵️)
可灵官方发布一段由 Kling 4.0 满血版全能参考生成的短片,并称该版本将于 10 月上线。引用内容提到满血版相比 Flash 具备原生 30 秒直出、画面与声音更清晰、口型匹配更精准以及 21:9 电影画幅等差异。
阿里开源 Qwen-Image-2.1 图片模型,视觉生成部分为 7B,用 32 层 Single-Stream DiT,一个模型覆盖生成、编辑与原生透明背景图。
推荐理由:作者用大量实测案例展示 Qwen-Image-2.1 在生图、编辑与原生透明上的表现,并给出消费级显卡的实测速度。
Kyutai 在 DL3DV 数据集上对 OVIE 微调 5 万步,推出 kyutai/ovie-ft-dl3dv,架构与基座模型一致、仅权重不同。
Kyutai 在 Hugging Face 发布 OVIE-512,这是 OVIE 系列按相同配方重训至 512×512 的基座模型,训练 250K 步、全局 batch size 256。
Kyutai 在 Hugging Face 发布 OVIE-ft-re10k,这是 OVIE 在 RealEstate10K 多视角数据上微调 50k 步的检查点,仅占其 200 万步预训练预算的 2%,架构与基座模型完全一致,可直接复用同一代码路径加载。
Lightricks 发布基于 LTX-2.5-22B 的 IC-LoRA Alpha Gen,输入普通 RGB 视频即可生成逐帧对齐的灰度 alpha 遮罩,无需绿幕、遮罩或提示词,可处理头发、毛发、烟雾、火焰、薄纱、玻璃和水等半透明元素。
推荐理由:无需绿幕或提示词即可从普通视频生成逐帧对齐的 alpha 遮罩,为抠像与合成流程提供新的替代方案。
可灵宣布 Kling 4.0 将于今年 10 月发布,Kling 4.0 Flash 已面向 Ultra 年费订阅用户上线。
推荐理由:可灵 4.0 公布音画、参考与多关键帧等能力升级,创作者可据此评估出片流程的调整空间。
等待结束。节奏回归。 THE BEAT,由可灵 4.0 创作,讲述一位鼓手重返舞台的旅程。“WATCH ME PLAY。”
IndexTeam 发布 Index-Echo-S2TT-9B,用 Qwen3-Omni AuT 音频编码器加 Index-Translate-9B 解码器把语音转成文本,接受音频或视频文件并输出带句级时间戳的双语字幕,打包推理接口支持中文译成英语、日语或西班牙语。
推荐理由:Index-Echo-S2TT-9B 开源了语音转写加双语字幕的完整推理包,创作者可据此评估字幕与翻译流程的替换成本。
IndexTeam 发布 Index-Echo-S2TT-2B,用 Qwen3-Omni AuT 音频编码器、音频连接器和 Index-Translate-2B 解码器把语音转成文本,接受音频或视频文件并输出带句级时间戳的双语字幕,打包推理接口支持中文译成英语、日语或西班牙语。
推荐理由:Index-Echo 系列新增语音转文字翻译成员,公开了架构、推理参数与自建评测对比,可据此判断是否接入字幕流程。
Lightricks 发布 LTX-2.5-22b-IC-LoRA-SDR-To-HDR,把 8-bit SDR 视频转为 16-bit HDR,除 HLG 母版外还输出 EXR 帧。
推荐理由:Lightricks 把 SDR 转 HDR 做成基于 LTX-2.5 的 IC-LoRA,并给出 ComfyUI 工作流与 EXR 输出路径,后期流程可直接接入。
Lightricks 在 Hugging Face 发布 LTX-2.5-22b-IC-LoRA-Restore,一个基于参考视频的 In-Context LoRA,把低分辨率、低码率、磁带或黑白棕褐扫描的老片渲染成干净彩色高清画面,去除压缩损伤、闪烁、脏点与划痕。
推荐理由:Lightricks 开源老片修复 LoRA,给出从 480 线扫描到 4K 的两阶段流程与实测增益,可对照现有修复管线。
CLING ON!我们有消息了。
Google 于 9 月 23 日推出 Gemini 3.8 TTS 与 Gemini 3.8 Flash-Lite TTS,称其为目前能力最强的音频生成模型。前者面向创意方向与角色设计,可用自然语言提示从零生成新声音,覆盖游戏、有声书、播客等场景,并支持超过 100 种语言和方言的角色、口音与声音特征定制;后者用于 AI 配音、内容创作和语音智能体。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在原生实时对话模型上加入近实时视频生成,实现带口型同步、自然表情和流畅轮替的动态视觉形象。
推荐理由:Gemini 3.8 Live 新增实时数字人能力,支持 97 种语言口型同步与后台工具调用,企业可据此评估虚拟客服等场景。
Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款语音合成模型,前者面向角色设计与逐句表演指导,后者面向高体量、低成本的配音与语音智能体场景。
推荐理由:两款 TTS 模型把声音生成从固定预设变成可逐句导演的创作流程,配音与有声书团队可据此评估迁移。
腾讯混元发布混元图像 3.5 预览版(Hy Image3.5 preview),定位高性价比专业级生图模型,支持文生图与图生图、单次最多上传 5 张参考图、最高 2K 分辨率输出和多轮对话创作。
推荐理由:腾讯混元发布专业级生图模型预览版,给出2K输出、0.15元每张的API定价与内部盲测对比结果,可据此评估成本与出图能力。
水下拍摄通常需要大量专业设备,搭建水下布景格外昂贵,绿幕打光在水下还有额外的独特难题要克服。 混合制作让水下拍摄变得容易得多。 Made with Luma.
腾讯 ARC 在 Hugging Face 发布 WorldCrafter-Base,包含基础 transformer 权重及配套的相机适配器和 LoRA,用于 WorldCrafter 推理代码。
腾讯 ARC 在 Hugging Face 发布 WorldCrafter-Fast 的自包含权重,支持图生视频、文生视频以及交互式图生视频 demo,无需 WorldCrafter-Base 文件即可推理。
推荐理由:WorldCrafter-Fast 放出独立权重,图生视频与文生视频的采样步数配置一并公开,方便创作者评估接入成本。
Higgsfield AI 借助 GPT-6 Astra,一天内上线新视频功能,让小型企业更轻松地制作视频广告,并更快将新创意工具推向市场。
腾讯混元联合复旦大学、浙江大学提出 Prism,一个用于原生训练 2K 联合视频音频生成模型的动态稀疏注意力框架,将 token 序列组织为时空宏区块并按局部内容动态分配块形状,训练速度相比全注意力提升 2.5 倍且生成质量更高。
Qwen 团队开源 Qwen-Image-2.1,把文生图与图像编辑统一到一个 7B 参数的 checkpoint,原生支持 2K 生成与含 alpha 通道的 RGBA 透明输出,最多可用 10 张参考图,并支持圆形、涂鸦、独立蒙版指定局部编辑。
Qwen 开源 Qwen-Image-2.1,一个统一文生图与图像编辑模型,视觉生成部分为 7B 参数、32 层 Single-Stream DiT。该版本支持生成常规与透明 RGBA 图像、最多 10 张参考图、圈选或蒙版局部编辑,并保持人物与商品一致性。
推荐理由:Qwen 开源统一文生图与图像编辑模型,并附带提示词改写模型,创作者可据此评估编辑流程的接入方式。
通义千问开源 Qwen-Image-2.1,一个统一的文生图与图像编辑模型,视觉生成部分为 7B 参数、32 层 Single-Stream DiT,兼顾生成质量、推理效率与通用性。
推荐理由:通义千问开源图像生成与编辑模型,并配套提示词改写模型,创作者可据此评估出图与改图流程。
生数科技于 2026 年 9 月 15 日发布 Vidu S2,包含实时数字角色模型 S2-Avatar 和视频流实时编辑模型 S2-Editing,发布当天即在 vidu.com/vidu-stream 开放体验。
推荐理由:梳理 Vidu S2 两个模型的能力边界与三种短视频工作流,并明确区分已上线功能与实验室演示。
腾讯 ARC 开源 GAE-D64-1B,一个约 1B 参数的时间 DiT(hidden_size=[768, 2048],depth=[28, 6]),在 64 通道几何原生隐空间上运行,支持 672×378、V=81,采用 metric Plücker 相机条件与 Qwen3-0.6B 文本编码。
一个在中间相遇的照片技巧。
在一起,即使经历了一切。🐾
阶跃发布 StepAudio 3 系列语音大模型,包含 Realtime、ASR、TTS、Gen 和 Music 五款,多款在 Artificial Analysis 榜单位列全球第一。
训练季结束了。现在,你就是竞技场上的主角。