跳到正文

内容形态

模型发布 最新动态

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

更新

精选归档 · 第 4 页

10月15日周四第 61–80 条
  1. 量子位71

    昆仑万维 Skywork AI 发布 Matrix-Game 4.0,单张 RTX 5090 实时运行并开源

    昆仑万维旗下 Skywork AI 发布 Matrix-Game 4.0,称其为全球首款可在单张消费级显卡上实时运行的游戏世界模型,并已开源模型与代码。该模型把游戏规则交给游戏引擎维护、画面交给视频模型生成,玩家中弹先扣盾牌耐久再扣血,规则可由 Coding Agent 用自然语言改写。

    推荐理由:单张 RTX 5090 实时跑游戏世界模型,并把规则交给游戏引擎、画面交给视频模型,为世界模型落地提供了一条可复现的工程路线。

  2. HeyGen Updates78

    HeyGen 发布 HeyGen Voice 语音模型

    HeyGen 发布新语音模型 HeyGen Voice,称其为首个为视频适配而构建的语音模型,并在 Artificial Analysis 语音榜单排名第一,已包含在每条 HeyGen 视频中且不额外收费。

    推荐理由:HeyGen 推出首个面向视频适配的语音模型,创作者可据此评估配音与多语言口型流程的替换空间。

10月14日周三
  1. OpenAI News60

    Higgsfield 用 GPT-6 Astra 将 AI 视频从 1 分钟延长到 10 分钟以上

    Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上,依托 GPT-6 Astra 实现。同时,它用 GPT-Image-2.5 提升画面精度,并借助 GPT-Live 提供通往语音电影制作的路径。

    推荐理由:Higgsfield 借助 GPT-6 Astra 把 AI 视频时长从 1 分钟拉到 10 分钟以上,可据此判断长片创作的可用性。

  2. Fish Speech 官方发布72

    Fish Audio 发布开源语音生成模型 Drama 3 预发布版

    Fish Audio 发布开源语音生成模型 Drama 3 预发布版,可将文本转为带表演的语音。模型采用 35B-A3B 混合线性注意力 MoE 主干(由 Qwen3.5 初始化)与新的 codebook-MTP 音频解码器,预训练覆盖约 80 种语言和方言、数千亿 token,支持多参考声音克隆、自然语言指令、多轮改稿、多角色场景、语音填充编辑与长音频和流式合成。

    推荐理由:开源语音模型把多角色场景、多轮改稿与语音编辑放进同一模型,配音工作流可据此评估替换空间。

10月13日周二
  1. Black Forest Labs · FLUX 模型78

    Black Forest Labs 发布 FLUX 3 Image Klein 开源权重模型

    Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 开源权重模型,同时支持文生图、单参考图编辑和多参考图组合生成,文本编码器为 Qwen3-VL-4B-Instruct。

    推荐理由:5.6B 开源权重模型把文生图、单图编辑与多图组合统一到同一模型,并给出量化版本与显存占用,便于自部署者评估落地成本。

  2. Black Forest Labs · FLUX 模型76

    Black Forest Labs 开源 FLUX 3 Image Klein Base,5.6B 权重支持文生图与多图编辑

    Black Forest Labs 在 Hugging Face 发布 FLUX 3 Image Klein Base,这是一个 5.6B 参数的开源权重模型,文生图、单参考图编辑和多参考图合成共用同一模型,文本编码器为 Qwen3-VL-4B-Instruct。

    推荐理由:5.6B 开源权重同时覆盖文生图、单图编辑与多图合成,并给出 BF16、FP8、NVFP4 三档显存占用,便于评估自托管成本。

  3. ComfyUI Wiki · 工作流与开源创作分享78

    Fish Audio 发布 Drama 3 语音合成模型,支持 16 角色与自然语言表演指令

    Fish Audio 于 2026 年 10 月 13 日发布新一代语音合成模型 Drama 3,为开放权重的 35B MoE 模型,每 token 激活 3B。

    推荐理由:35B 开源语音模型支持 16 角色同轨生成与自然语言表演指令,可对照其发音鲁棒性数据评估配音与有声书流程。

10月12日周一
  1. 腾讯 ARC · 创作模型60

    腾讯 ARC 开源多人视频生成模型 Multics

    腾讯 ARC 在 Hugging Face 发布 Multics,通过分层通信实现可扩展的多人视频生成。仓库包含完整的 4-player Multics DiT checkpoint、配置、Wan2.2 VAE、UMT5 文本编码器和 tokenizer,同一 checkpoint 无需重新训练即可支持 6、8、10 人生成。权重以 Apache 2.0 许可分发。

    推荐理由:腾讯 ARC 开源多人视频生成模型 Multics,同一权重可扩展到 10 人,创作者可据此评估多人场景的生成方案。

10月9日周五
  1. SuSu_酥酥66

    阿里通义开源 Qwen-Image-2.1-Turbo,8 步出 2K 图像

    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。

10月8日周四
  1. 机器之心 · 公开公众号 RSS73

    生数科技发布 Vidu Q4 Preview,首发 0.09 元/秒起

    生数科技推出 Vidu Q4 Preview,作为 Vidu Q4 面向创作者的首个预览版本,重点提升人物演绎、镜头语言与复杂视效,首发价格 0.09 元/秒起,同样预算最高可生成 5 倍内容。

    推荐理由:Vidu Q4 Preview 把 0.09 元/秒的首发价与 15 张参考图、2K/4K 输出放在一起,可据此判断 AI 视频批量生产的成本区间。

10月7日周三
  1. Oimi · 中文图像视频教程67

    谷歌发布 Nano Banana 2.1:半价、全景比例与 14 图融合

    谷歌在 Gemini API 正式发布图像生成与编辑模型 Nano Banana 2.1(模型 ID:gemini-nano-banana-2.1),单张 1K 图成本约 $0.034,约为 Nano Banana 2 的一半。

    推荐理由:谷歌图像模型 2.1 单张成本约降一半并新增全景比例与 14 图融合,可据此评估是否迁移现有出图流程。

  2. The Decoder70

    Google 发布图像模型 Nano Banana 2.1,价格约降一半

    Google 发布图像生成与编辑模型 Nano Banana 2.1,取代 2026 年 2 月发布的 Nano Banana 2,官方称各方面均有提升。1K 图像价格从 6.70 美分降至 3.36 美分,4K 从 15.10 降至 7.56 美分,约为上一代的一半。

    推荐理由:Google 图像模型 Nano Banana 2.1 在降价约一半的同时给出多项基准对比,可据此判断是否替换现有出图流程。

  3. SuSu_酥酥78

    Google 发布 Nano Banana 2.1 图像生成与编辑模型

    Google 正式发布 Nano Banana 2.1 图像生成与编辑模型,官方称其在视觉设计、Mask 精准编辑和主体一致性上全面超过上一代,画面更自然真实。该版本已在 Gemini、Search AI Mode、AI Studio、Flow、Stitch、Google Ads 和企业平台铺开。

    推荐理由:Google 图像生成模型升级,点名视觉设计、Mask 编辑与主体一致性三项能力变化,并已在多个产品线铺开。

10月6日周二
  1. FastVideo 视频模型 · 模型发布62

    FastVideo 发布 FastH3 Trim 精简模型及 ComfyUI 重打包文件

    FastVideo 发布实验性精简模型 FastH3 Trim,transformer 块从 50 减至 42,采用 rank-16 时间步条件,8 步采样,体积比基础 H3 小 4.2 倍,速度快于 FastH3 V2。

    推荐理由:FastH3 Trim 以 42 层、8 步采样和 4.2 倍体积压缩给出更轻的视频生成方案,并附 ComfyUI 各精度文件与参数。

10月5日周一
  1. GitHub:AI视频开源项目发现82

    Kandinsky 6.0 开源发布:同步音频视频生成模型,含 Lite 与 Pro 两档

    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。

10月3日周六
  1. FastVideo 视频模型 · 模型发布62

    FastVideo 发布 FastH3 Trim 8 步音视频生成模型

    FastVideo 发布实验性模型 FastH3 Trim,从 FastH3 V2 的 50 个 MiniMax H3 transformer block 中移除 8 个影响最小的 block,并将各 block 的 AdaLN 时间步投影替换为共享 rank-16 基,用 8 步 DMD2 训练(checkpoint 300),实现 8 步文本生成视频并同步音频。

    推荐理由:FastH3 Trim 用剪枝加共享 AdaLN 把 8 步音视频生成压到消费级硬件,可对照 V2 权衡画质与体积。

  2. IndexTTS · 语音模型60

    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。

10月2日周五
  1. 可灵 Kling72

    可灵 4.0 进入内测,10 月正式发布

    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。

  2. 可灵官方博客62

    可灵 4.0 进入内测:创作者实测 30 秒长镜头与多镜头一致性

    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。