MiniMax H3-Image 实测对比 GPT Image 2.6 与 Seedream 5.5:速度领先但复杂指令执行不稳
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。
公司与机构
OpenAI 与影视相关的动态:Sora 视频生成模型、产品化进展、版权合作与公司动作的持续追踪。
20 条精选近 30 天 5 条共收录 228 条
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。
在 ChatGPT 中制作 AI 视频需通过插件目录连接视频应用,本指南覆盖 Higgsfield、Runway、HeyGen、invideo 等 17 个插件的分类与计费规则。
推荐理由:这份指南对比了 ChatGPT 插件目录中 17 个视频应用的计费规则与能力差异,并给出可复用的提示词模板,帮助创作者选择工具并控制成本。
Kapwing 实测用 ChatGPT 或 Claude 自动化七类视频编辑任务,涵盖剪辑规划、字幕生成、翻译配音与 B-roll 制作。测试中 Claude Code 配合 FFmpeg 构建并渲染了 70.7 秒的 YouTube Short,Kapwing MCP 则完成了五种语言的 AI 配音。文章指出标准聊天界面无法直接编辑视频,实际剪辑需借助编码代理或 MCP 连接的编辑器。
推荐理由:文章给出七类可自动化的视频编辑任务及对应提示词与工具选择,创作者可据此搭建自己的 AI 剪辑流程。
Kapwing MCP 将 ChatGPT 连接到视频编辑工作区,用户可用自然语言完成上传、字幕、翻译、配音和生成 B-roll 等编辑任务。测试中一个组合请求生成了六个导出版本(英文原版和五个配音版本)。
推荐理由:Kapwing MCP 让 ChatGPT 直接操作视频编辑工作区,教程展示了从上传、字幕、翻译、配音到生成 B-roll 的完整自然语言编辑流程,并给出可复用的提示词示例与成本参考。
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。
Kapwing 发布教程,演示用 GPT-6 Astra 连接 Blender 搭建巨龙与场景的灰模、动画和相机镜头,再用 GPT Image 2 生成设计图与写实首帧,最后由 Seedance 2.5 生成 10 秒连续镜头。
推荐理由:作者实测用 GPT-6 Astra 驱动 Blender 搭 3D 场景,再经图生 3D 与 Seedance 2.5 出片,并列出三家 3D 模型对比与逐项成本。
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。
OpenAI 在 API 中推出 GPT-Live-1,支持自然的全双工语音对话。该模型在指令遵循上有所增强,并支持自定义音色与电话通信能力。
推荐理由:OpenAI 把全双工语音对话能力开放到 API,开发者可据此评估语音交互产品的接入方式。
迪士尼与 OpenAI 达成协议,将把迪士尼、漫威、皮克斯和星球大战的 200 多个角色引入 Sora,用于粉丝创作的短视频。协议强调娱乐领域的负责任 AI,并包含迪士尼在全公司范围使用 ChatGPT Enterprise 和 OpenAI API。
推荐理由:迪士尼与 OpenAI 达成角色授权协议,可观察主流影视 IP 与视频生成平台在版权合作上的落地方式。
OpenAI 发布新一代视频与音频生成模型 Sora 2,并公开其系统卡。相比 Sora,新模型在物理准确性、真实感、同步音频、可控性和风格范围上有所提升,官方称这些能力此前的视频模型较难实现。
推荐理由:OpenAI 公布 Sora 2 的系统卡,列出物理准确性、同步音频等能力变化,可对照前代评估升级幅度。
OpenAI 发布 Sora 2 与 Sora 应用,称其为最先进的视频模型与新的社交创作平台,并针对由此带来的新型安全挑战,将安全作为构建基础,采取具体防护措施。
推荐理由:OpenAI 在发布 Sora 2 与 Sora 应用时同步说明其安全设计思路,可了解官方对视频模型安全挑战的应对框架。
OpenAI 宣布最新图像生成模型以 gpt-image-1 的形式在 API 中开放,开发者和企业可将专业级、可定制的视觉内容直接集成进自有工具和平台。
推荐理由:OpenAI 把最新图像生成模型以 gpt-image-1 接入 API,开发者可据此评估自有工具的图像生成集成。
OpenAI 发布 GPT-4o 的原生图像生成能力,官方称其在文字渲染和指令跟随方面更强,并指向 ChatGPT Images 2.5。
推荐理由:OpenAI 在 GPT-4o 中原生加入图像生成,文字渲染与指令跟随是这次更新的两个关键变化。
OpenAI 发布 GPT-4o 系统卡增补,介绍 4o 图像生成。该能力比此前的 DALL·E 3 系列模型更强,可生成写实画面,也能接收图像输入并进行变换。
推荐理由:OpenAI 在系统卡增补中说明 4o 图像生成相较 DALL·E 3 的能力变化,可据此了解其图像输入与写实输出定位。
OpenAI 的视频生成模型 Sora 现已可在 sora.com 使用。用户可生成最高 1080p 分辨率、最长 20 秒的视频,支持宽屏、竖屏和方形画幅。用户可导入自有素材进行延展、重混与融合,也可完全由文本生成新内容。
推荐理由:Sora 正式开放使用,创作者可据此了解其分辨率、时长与画幅等基础生成规格。
OpenAI 探索在视频数据上大规模训练生成模型,将文本条件扩散模型联合训练于不同时长、分辨率和宽高比的视频与图像,并采用在视频和图像 latent code 的时空 patch 上运行的 transformer 架构。其最大模型 Sora 能生成一分钟高保真视频,结果表明扩展视频生成模型是构建通用物理世界模拟器的一条有前景的路径。
推荐理由:OpenAI 首次公开 Sora 的技术路线,说明视频生成模型可扩展为物理世界模拟器。
OpenAI 宣布 DALL·E 3 现已在 ChatGPT Plus 和 Enterprise 中可用。为准备更大范围发布,OpenAI 开发了一套安全缓解措施,并同步分享了其在内容溯源研究方面的进展。
推荐理由:DALL·E 3 面向 ChatGPT Plus 与 Enterprise 开放,官方同时说明为扩大发布所做的安全缓解措施。
OpenAI 宣布训练并开源语音识别神经网络 Whisper,称其在英文语音识别上的鲁棒性和准确率接近人类水平。
推荐理由:OpenAI 开源语音识别模型 Whisper,其英文识别鲁棒性与准确率接近人类水平。
OpenAI 宣布 DALL·E 进入 Beta,将在未来几周从候补名单中邀请 100 万人使用。用户可用每月重置的免费额度生成图像,也可按 115 次生成 15 美元的价格购买额外额度。
推荐理由:DALL·E 从候补名单走向百万级开放,并给出免费额度与付费增量,可据此判断早期图像生成工具的可用门槛。
OpenAI 更新 DALL·E 2 研究预览进展,早期用户迄今已生成超过 300 万张图像,并帮助改进了安全流程。OpenAI 表示将开始每周从等待名单中新增最多 1000 名用户。
推荐理由:DALL·E 2 研究预览阶段的用户规模与安全流程进展,可了解其早期开放节奏。