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。
内容形态
视频/图像/音频生成模型的发布、开源与迭代:旗舰更新、开放 API、性能与价格变化的第一时间记录。
123 条精选近 30 天 45 条共收录 367 条
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。
即梦 Seedance 2.5 推出 4K 版本,支持最长 30 秒单次生成、全模态参考、视频编辑与延长,并采用 10bit BT.709 色彩格式与六种画幅输出。
推荐理由:作者实测 Seedance 2.5 4K 在品牌 TVC、电商、影视预演和大屏展陈四种场景的表现,展示 4K 画质对商业制作流程的实际价值。
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。
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。
MiniMax 于 11 月 10 日开放 H3-Image 模型权重,官方称 10 秒可生成 1600 万像素高清图,价格约为同档位主流工具的 50%-70%。
推荐理由:三家新模型在文生图与图片编辑榜单上排名差距明显,实测显示 MiniMax 出图最快但复杂指令执行不稳,OpenAI 综合表现领先。
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。
Seedance 2.5 Flash 于 11 月 12 日发布,5 秒 720p 无输入视频示例定价约 0.99 元/秒,比 Seedance 2.5 同规格便宜约 34%,但 1080p 和 4K 暂不支持。厂商称生成速度约为 Seedance 2.5 的两倍,作者指出该数据来自厂商,未见独立基准。API 预计 11 月 15 日在火山引擎上线,并逐步在 Jimeng 等应用开放。
推荐理由:Seedance 2.5 Flash 定价比 Seedance 2.5 低约 34%,速度声称快约 2 倍,但作者提醒这些数据来自厂商,需自行验证。
MiniMax 开源 H3-Image 图像生成模型,支持 16MP(4096×4096)原生 4K 输出和最多 16 张参考图输入。作者实测其可生成 CAD 三视图、机械爆炸图和高数试卷等复杂图像,网页端 4K 生成约 10-20 秒。API 价格为主流竞品的 50% 到 70%,首周 16MP 请求再打五折。
推荐理由:MiniMax 开源 H3-Image 图像模型,支持原生 4K 与最多 16 张参考图,作者实测其 CAD 拆解、复杂排版和低价 API 可用性。
字节跳动火山引擎发布Seedance 2.5 flash文生视频模型,生成速度较Seedance 2.5提升一倍,720P生成价格约0.99元/秒,较Seedance 2.5下降约34%。模型单段最长支持30秒,提供480P和720P两档分辨率,API将于11月15日上线火山方舟。
推荐理由:Seedance 2.5 flash 以约0.99元/秒的720P生成价格进入批量生产场景,为高频内容制作提供性价比方案。
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
推荐理由:开源 29B 视频生成模型并公开训练代码,创作者可评估其 20 秒 720p 生成能力与 LLM 驱动的脚本级可控性。
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。
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。
清华 OpenBMB 团队开源 VoxCPM2 语音合成模型,20 亿参数、支持 30 种语言与 48kHz 音质,Apache-2.0 许可免费商用。模型采用扩散自回归零 Tokenizer 架构,支持自然语言声音设计、可控克隆与终极克隆,在 Seed-TTS-eval 基准中英文 WER 1.84%、中文 CER 0.97%。
推荐理由:开源 TTS 模型 VoxCPM2 以 Apache-2.0 许可免费商用,支持 30 种语言与 48kHz 音质,创作者可评估是否替代现有付费配音方案。
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。
OpenAI 于 2026 年 11 月 4 日发布 GPT-Image-2.6,生成速度提升约 50%,Flare 最快 6 秒出图。新功能包括 GIF 生成、可复用参考角色、透明 PNG 标记编辑和 SVG 导出。API 定价与 2.5 持平,但 low/medium 档输出 token 用量可能上升,迁移前需实测。
推荐理由:GPT-Image-2.6 新增 GIF 生成与参考角色,API 定价与 2.5 持平,但输出 token 用量可能上升,迁移前需实测。
Viggle 发布开源视频重拍模型 Viggle Remake,基于 MiniMax H3 基础 transformer,提供 swap 和 edit 两个 rank-256 LoRA,以及 ComfyUI 节点包、int8/GGUF 量化构建和 MCP 服务器。
推荐理由:Viggle Remake 将视频重拍能力开源到 ComfyUI,提供 swap 与 edit 两种模式及量化版本,创作者可据此替换素材中的人物或物体。
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。
TaoLive AIGC 于 11 月 2 日发布 TaoMate-FVSR,一个 10.3 GB 的视频人脸修复模型,可修复生成视频中模糊的脸部与融合的牙齿,并在替换音频轨道时让口型匹配新语音。
推荐理由:针对生成视频脸部模糊、牙齿融合与口型不跟声音的缺陷,同时做修复与对口型,并可直接在 ComfyUI 中运行。
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。
Pika 发布 H3 Flex,将 MiniMax H3 后训练并蒸馏至六步采样,开源权重与 ComfyUI 模板。模型以两个 LoRA 适配器加载于 H3 基座,支持文本到视频、首尾帧及参考条件生成,输出 480p/768p、5-15 秒并混入 32kHz 立体声音频。Pika 自评在五项视觉与音频质量指标上领先对比模型,社区实测提示四步时高频细节出现闪烁,建议保持六步。
推荐理由:Pika 将 MiniMax H3 后训练为六步模型并开源权重,ComfyUI 模板可直接加载,创作者可据此评估六步出片质量。