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 5 页

10月1日周四第 81–100 条
  1. Suno 官方博客62

    Suno 发布 Speech 音频模型 beta,可同时生成人声与音乐

    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。

9月30日周三
  1. 阿真Irene · 创作者专栏78

    阿里开源 Qwen-Image-2.1:一个模型覆盖生图、修图与透明背景

    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。

9月29日周二
  1. Lightricks · LTX 模型71

    Lightricks 发布 LTX-2.5-22B IC-LoRA Alpha Gen 抠像模型

    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。

9月28日周一
  1. IndexTTS · 语音模型60

    IndexTeam 发布 Index-Echo-S2TT-9B 语音转写翻译模型

    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。

  2. IndexTTS · 语音模型60

    IndexTeam 发布 Index-Echo-S2TT-2B 语音转文字翻译模型

    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。

9月27日周日
  1. Lightricks · LTX 模型71

    Lightricks 发布 LTX-2.5-22b IC-LoRA 老片修复模型

    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。

9月25日周五
  1. Google DeepMind67

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    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。

9月23日周三
  1. Google DeepMind72

    Google 发布 Gemini 3.8 Flash TTS 与 Flash-Lite TTS

    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。

9月22日周二
  1. 腾讯混元 · 公开公众号 RSS72

    腾讯混元发布 Hy Image3.5 preview 专业级生图模型

    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。

9月21日周一
9月20日周日
  1. 通义千问 · 图像与音频模型62

    Qwen 开源 Qwen-Image-2.1 及图像编辑提示词改写模型

    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。

  2. 通义千问 · 图像与音频模型62

    通义千问开源 Qwen-Image-2.1 图像生成与编辑模型及提示词改写模型

    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。

9月17日周四
  1. AI Fruit · 中文图像视频制作指南71

    生数科技发布 Vidu S2:实时数字人 S2-Avatar 与流式编辑 S2-Editing

    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。

8月28日周五
7月1日周三
6月9日周二
5月18日周一
  1. Google DeepMind84

    Google 发布 Gemini Omni Flash 视频生成模型

    Google DeepMind 发布 Gemini Omni 家族首个模型 Gemini Omni Flash,可组合图像、音频、视频和文本作为输入生成高质量视频,并通过自然语言对话进行多轮编辑。

    推荐理由:Gemini 首个视频生成模型 Omni Flash 上线,支持多模态输入与对话式多轮编辑,可对照现有出片流程评估。

4月16日周四