搜索“视频”

Google扩大SynthID验证服务

2026年10月7日,Google将SynthID Detector从面向媒体从业者的早期版本扩展至全球英文用户,任何人可检查图像、视频或音频是否由Google及其合作伙伴的AI生成。据Google介绍,合作方包括OpenAI、NVIDIA、Kakao,Apple也将加入。Google称自2023年推出SynthID以来,已为超过1800亿张图像和视频、24万年时长的音频添加水印,Search、Gemini应用和Chrome中的验证功能每天处理超过100万次请求。后续报道称,该工具支持JPG、PNG、MP4和MP3格式,只能识别带有SynthID水印的内容,并非通用AI检测器。

Hao AI Lab发布可在消费级设备运行的FastH3

2026年10月6日,Hao AI Lab发布FastVideo FastH3视频生成模型,可在单台消费级设备上本地运行,支持NVIDIA RTX GPU、DGX Spark和Apple Silicon。据其发布信息,FastH3 V2在8步内超过MiniMax H3基座模型,单张RTX 5090生成5秒480p带音频片段耗时15秒,768p约35–39秒。同时发布的FastH3 Trim体积比基座H3小4.2倍,最低8 GB显存即可运行,模型、Cookbook与代码已开放。技术说明称,团队在1000条提示词上校准每个FP4层,以避免未校准FP4 scale下激活值被裁剪。目前尚无后续独立发展事实。

DeepMind发布EmbeddingGemma 2

2026年10月6日,Google DeepMind发布开放权重多模态嵌入模型EmbeddingGemma 2,可将文本、图像、视频帧和音频映射到统一向量空间,参数量740M。据Google Developers Blog介绍,文本权重在Google Pixel 11 Pro上仅需约191MB活跃内存,完整多模态模型约567MB,无需训练数据或微调即可作为端侧决策引擎,实现毫秒级零样本意图路由;Google AI Edge Gallery新增Instant Media Search和Video Moments Finder演示,未来数周内该模型将通过ML Kit以服务形式登陆Android并支持NPU加速。据Google DeepMind介绍,该模型采用Apache 2.0许可,在MTEB Code上从68.76提升到78.68,支持8K token上下文窗口,权重已在Hugging Face和Kaggle开放下载。10月6日,Georgi Gerganov宣布llama.cpp对EmbeddingGemma 2提供Day-0支持;10月7日,Simon Willison表示赞赏其采用

Krea Agent 登陆 After Effects

Krea 于 2026 年 10 月 5 日宣布,将 Krea Agent 引入 After Effects。据官方说明,该工具可在软件内创建动态图形、调整视频尺寸,并处理声音、图像等内容。官方还展示了用 Krea Agent 制作动态图形、调整视频尺寸以及把图层整理为合成(compositions)的操作,并给出免费试用入口。目前尚无后续发展事实。

Google更新Gemini 3.8 Live实时虚拟形象

Google更新Gemini 3.8 Live,推出实时虚拟形象Live Avatar。据Google DeepMind发布,该功能在Gemini 3.8 Live实时对话能力上加入低延迟流式视频,让模型能边听、边看、边说,支持精确唇形同步、自然表情与流畅轮次切换,并可在对话中无缝切换97种语言而不损失视频保真度。该功能已上线Gemini Enterprise,支持后台异步工具调用,企业还可基于参考图定制专属形象,定制功能目前仅通过企业白名单开放。另有报道称,用户可在对话时看到实时回应的动画AI形象,它会同步口型并展示不同面部表情,目前仅面向Gemini Enterprise客户开放;除预设形象库外也允许企业自建,输出带有不可见的SynthID水印及尊重身份的防护措施。

Dynamo-Triton支持多GPU推理

2026年9月21日,NVIDIA 在 Dynamo-Triton 26.07 中启用 TensorRT 后端的多设备推理能力,一个 KIND_MODEL 实例可占用多块 GPU,并通过单个 gRPC 端点对外提供分布式推理服务;TensorRT 11.0 起完整支持该能力。官方以 Cosmos 3 Nano 视频生成为例说明,Ulysses 上下文并行把 44,160 个视频 token 分配到最多八块 GPU,端到端生成延迟从单 GPU 的 156.6 秒降至八 GPU 的 34.2 秒,transformer RPC 加速比达 6.09 倍。CP2、CP4、CP8 的输出通过 MAE ≤ 25 与 PSNR ≥ 18 dB 的质量阈值校验。该基准未测量并发吞吐、单视频成本或 TCO。目前尚无后续发展事实。

Wan3.0支持单次30秒长镜头生成

2026年9月17日,阿里云Wan官方介绍Wan3.0已能直接由模型生成单段30秒镜头,此前分别为5秒和15秒片段。该版本加入导演级控制与omni-reference,可参考最多五段视频而非五张图片,Soulscape的导演与阿里云的Johnny Mai已将其用于实际制作流程。官方称不再需要拼接大量短片段,可先生成长镜头再按剧本和故事剪辑。9月18日,Wan官方账号进一步分享AI视频创作建议,提出AI视频不应停留在比拼画面精美的技术演示,而应设计观看体验、讲述能触发情感的故事,一个30秒镜头即可;帖文提及Soulscape的创作者与阿里云Johnny Mai,并引导团队了解Wan3.0。

ElevenLabs MCP新增多媒体生成

2026年9月14日,ElevenLabs 扩展其 MCP 连接器的能力,新增语音、音乐、图像及视频生成。据 ElevenLabs Blog 同日发布的信息,用户通过一次安装和 OAuth 登录,即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频,所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型,无需自建服务器或管理 API 密钥,且与驱动 ElevenLabs Agents 的 MCP 为同一个,已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具,数据驻留地在连接时选择。目前尚无后续发展事实。

Vimeo扩展多语言自动配音

2026年1月以来,Vimeo客户已通过AI为超过2.5万个视频完成约140万分钟配音,超过27%的企业账户尝试过该功能,平均每个视频覆盖3.3种目标语言。9月7日,Vimeo进一步集成ElevenLabs Dubbing,将转录、翻译、声音克隆和语音合成整合为单一流程,支持40种目标语言。创作者可编辑文本轨道,并在发布前检查和调整配音结果。

微软推进Copilot自主执行复杂任务

2026年9月7日,微软宣布将新模型引入Copilot,扩展其自主执行能力。Copilot可处理快速问答、委派任务,并通过Autopilots持续完成数小时或数天的复杂工作。微软展示的案例中,一个由Opal驱动、运行于安全Windows 365 Cloud PC的Autopilot分析了一个月的野外相机视频,识别并标注动物影像,制作精选视频、表格和PowerPoint,随后通过Teams分享结果。

Runway发布界面世界模型Solaris

2026年9月1日,Runway发布名为Solaris的界面世界模型,称其为首个Interface World Model,可逐帧实时生成界面本身,无需先转成代码等中间表示。该模型基于Gen-4.5视频生成模型改造,通过自回归逐帧生成、少步蒸馏和自训练实现实时交互,并支持720p画质。在250名参与者、30个交互示例的对比中,Solaris在指令遵循上获61%偏好,在场景自然度上获71%偏好,对手为Claude Opus 5生成的编码界面。Runway表示正与合作伙伴推进公开发布,并开放早期访问申请。

谷歌发布Gemini Omni 1.1 Flash

2026年8月27日,Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型,面向开发者提供更强的生成视频控制能力,可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。官方说明显示,新版本支持场景延长,可分析最多 10 秒前序上下文,并以 10 秒为单位延长至累计 40 秒;同时支持指定首尾帧生成过渡画面、1080p 与 4K 输出,以及 360p 轻量预览。官方还称其生成速度最高快 60%,成本为 720p 的三分之一。目前该事实尚无后续独立发展事实,状态以发布时的官方信息为准。

Meta发布Muse Glimmer 30B开放权重模型

2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。

Unsloth发布桌面应用并实测2-bit模型

2026年8月11日,Unsloth发布Unsloth Desktop,称其为首个可在本地运行和训练模型的桌面应用,已上线官网和GitHub。该应用开源,支持Mac、Windows和Linux,覆盖MLX、扩散图像/视频、音频、GGUF,可将Claude Code和Codex接入本地LLM,并支持CPU与多GPU环境(NVIDIA、AMD、Intel、Mac)。官方称训练速度提升2倍、显存占用减少70%,工具调用准确率提高50%并支持自愈与沙箱化代码执行,同时提供私有网页搜索、深度研究、RAG、MCP以及NVFP4、GGUF导出。次日,Unsloth公布2-bit NVIDIA Nemotron 3.5 Lightning工具调用实测结果:仅用22GB显存连续运行10分钟工具调用,引用80多个网站,执行了代码,并搜索了10个真实地点,可通过Unsloth Desktop运行和训练。

Hao AI Lab发布可在消费级设备运行的FastH3

Hao AI Lab 发布 FastH3 V2与FastH3 Trim视频生成模型

查看事件：Hao AI Lab发布可在消费级设备运行的FastH3

Manus发布2.0与个人Agent Cue

Manus发布回归独立运营后的首个大版本更新Manus 2.0,桌面端升级为Manus Studio,新增视频时间线编辑与Game Dev游戏开发能力,并推出个人Agent应用Cue。据量子位报道,Cue为每个Agent配备独立邮箱、电话号码、钱包和电脑,可对外发消息、在预算内付款、代接电话并留下通话摘要,多个Agent还能拉进同一群聊分工协作,目前处于凭邀请码的抢先体验阶段。此后,Manus于10月1日发帖邀请用户用Game Dev制作3D赛车游戏,赛车3D模型由合作伙伴Tripo AI生成。10月5日至6日,Manus介绍Manus Studio视频编辑功能及Video Editor用法,包括把一条视频适配成8种不同语言、从Figma和代码仓库生成发布视频等。10月7日,Manus推出Game Dev,称其可让用户在不写代码的情况下构建和定制游戏,并简化多人游戏服务器搭建。

Wan3.0支持单次30秒长镜头生成

Wan 介绍 Wan3.0视频生成能力

查看事件：Wan3.0支持单次30秒长镜头生成

ElevenLabs MCP新增多媒体生成

ElevenLabs 扩展 MCP语音、音乐、图像及视频生成能力

查看事件：ElevenLabs MCP新增多媒体生成

Google面向AI订阅用户推出Gemini语音新能力

Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。

Black Forest Labs 推出 FLUX Video Upscale

2026年8月21日,Black Forest Labs 推出 FLUX Video Upscale,作为独立的 FLUX Tool 和 endpoint。据其官方博客,该工具可把 480p 起的视频重新生成到最高原生 4K,并能修复生成视频中模糊人脸、水面和草地纹理上的网格伪影。它提供 Precise 和 Creative 两种模式:Precise 为 4 步、$0.07/mp/s;Creative 为 8 步、$0.10/mp/s,后者修复和细节更强但可能改变人物身份。upscale_factor 支持 1.5x、2x 和 3x,从 hd 输入大致对应 1080p、2K 和 4K,可通过 BFL API 和 playground 使用。目前尚无后续发展事实。