←搜索结果

搜索“视频”

按匹配度 · 共 282 条结果 清除搜索

星期四

  1. ElevenLabs Blog

    ElevenLabs 在 ElevenCreative 推出 Instant Soundtracks

    ElevenLabs 在 ElevenCreative 上线 Instant Soundtracks，上传视频后模型会生成原创配乐，并分析画面中的音效触发点，把音效按时间戳自动放到时间线上。该更新还改善了短视频的卡点精度和跨场景情绪切换，并支持以视频原有音频作为参考来塑造新配乐。功能已在 ElevenCreative、ElevenMusic 和 API 开放，API 新增 add_sfx、separate_tracks、use_audio_as_reference 参数，单次请求最多支持 10 个视频、合计 200 MB 和 10 分钟。

    video to music banner

    ElevenLabs 在 ElevenCreative 上线 Instant Soundtracks，上传视频后模型会生成原创配乐，并分析画面中的音效触发点，把音效按时间戳自动放到时间线上。该更新还改善了短视频的卡点精度和跨场景情绪切换，并支持以视频原有音频作为参考来塑造新配乐。功能已在 ElevenCreative、ElevenMusic 和 API 开放，API 新增 add sfx、separate tracks、use audio as reference 参数，单次请求最多支持 10 个视频、合计 200 MB 和 10 分钟。

    匹配字段摘要

    #company#产品更新#视频#多模态
  2. Together AI Blog

    Meta Muse Spark Open 上线 Together AI，支持 1M token 上下文

    Meta 的开源权重智能体编码模型 Muse Spark Open 已在 Together AI 上线，支持 1M token 上下文窗口，可通过 serverless 和专用基础设施调用。Together AI 称其为目前能力最强的美国开源权重模型，面向长时间运行的智能体编码工作流，具备长程自主、computer use 与浏览、文本图像音频视频多模态输入等能力。定价为每 1M 输入 token 1.25 美元、每 1M 输出 token 4.25 美元、每 1M 缓存输入 token 0.15 美元，模型标识为 meta-models/Muse-Spark-Open-816B-A42B。

    匹配字段摘要

    #company#产品更新#Agent#编码
  3. LMSYS Blog

    SGLang 与 Miles 为 Muse Spark Open 提供 Day-0 支持

    LMSYS 发布博客称，SGLang 与 Miles 为 Meta 开源多模态 MoE 模型 Muse Spark Open 提供 Day-0 支持。该模型采用 816B 参数文本 Transformer 主干、每 token 约 42B 激活参数，支持文本、图像、视频和音频输入以及 1M token 上下文窗口，checkpoint 提供 NVFP4 与 BF16 版本。在 8 张 NVIDIA B300 GPU 上以 NVFP4 checkpoint 跑 OpenHands 多轮智能体编码回放，并发 1 时单 GPU 吞吐 14.8K tokens/sec、单用户 543 tokens/sec（p50），并发 128 时为 80.3K tokens/sec、单用户 61 tokens/sec（p50）。支持平台包括 NVIDIA Blackwell（GB300、B300、GB200、B200）、H200、AMD MI350X 与 MI355X，以及 Intel Xeon 6 P-core，并首次通过 SGLang-TorchTPU 为开源权重模型提供 Day-0 TPU 支持。

    Muse Spark Open maps text, image/video and audio inputs into a shared decoder with GQA and sliding-window/global attention; its MoE block routes full-width inputs while pooling expert features, normalizing each expert output before the weighted sum and restoring the model width with an unpooler.

    匹配字段摘要

    #company#开源/仓库#部署/工程#多模态

星期二

  1. X.PIN精选

    阿里推出 Qwen Go 智能体，接入淘宝与支付宝

    据 X.PIN 消息，阿里已推出由 Qwen 驱动的智能体 Qwen Go，面向搜索、比价和客服协商场景。演示视频显示，该智能体为延误航班争取到 10 美元赔偿，并通过淘宝价保追回约 7 美元。它不只会回答问题，还能查订单、联系人工客服并核实折扣，通过与淘宝和支付宝集成，把个人 AI 助手直接接入购物与支付系统。

    匹配字段摘要

    #editorial#产品更新#Agent#搜索
  2. TechCrunch AI

    SpaceXSI 将 X Premium、Grok 与 Cursor 打包为一份订阅

    SpaceXSI 推出 The X Subscription，把 Grok 的 AI 对话（支持语音、图像、视频和 API）、Grok 的智能体 AI Bot、用于 AI 编码的 Cursor，以及 X Premium 的蓝标认证、创作者工具和减少广告等付费功能打包在一起。新订阅分 free、Plus（8 美元/月）、Premium（30 美元/月）、Super（100 美元/月）和 Ultra（200 美元/月）五档，AI 用量上限随档位提高，免费档仅提供有限的对话和智能体用量，访问最新 Grok 模型需 Premium 及以上。现有用户可在 X 的订阅设置中升级到新套餐，也可保留当前方案，升级入口将逐步开放。

    匹配字段摘要

    #tech-media#行业动态#OpenAI#xAI
  3. FireRedTeam 原创项目

    FireRedTeam 开源人像动画框架 DynamicPose 并发布预训练模型

    FireRedTeam 发布 DynamicPose，一个由人体姿态序列驱动人像动画的框架，支持大幅动作、非写实场景，并可从单张照片生成舞蹈视频。项目同时开源了姿态服务器与姿态对齐算法，代码采用 MIT 许可，后续将陆续放出数据清洗与预处理流程、训练脚本（DeepSpeed Zero2）以及 ComfyUI 和 Hugging Face Gradio 演示。作者也列出局限，包括侧脸易生成扭曲面部、复杂背景下难以区分人体与背景、手部持物时难以判断是否保留。

    匹配字段摘要

    #company#开源/仓库#视频#图像生成

星期日

  1. The Decoder

    Odyssey 开放世界模型 Odyssey-3 免费研究预览

    Odyssey 推出世界模型 Odyssey-3 的公开研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash，基础模型 14B 参数、生成 832×480 视频，Pro 版支持 1280×720。公司称 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准得 66.1 分，但该成绩来自单次测试并采用八选一筛选，未满足基准要求的四次运行规则，四次运行平均为 63.37 分。

    匹配字段摘要

    #ai-vertical#模型发布#多模态#视频

星期五

  1. The Decoder

    Anthropic 为 Claude 推出 Dashboards 与 Motion 两项 beta 功能

    Anthropic 为 Claude 推出两项 beta 功能：Dashboards 可连接 BigQuery、Databricks、Snowflake、Salesforce 等数据源，通过文本提示生成自动更新的实时看板，每个数字都会显示其底层查询，结果还能接入 Amplitude、Grafana、Hex 等工具；Motion 则用文本、图表和图片生成动画讲解视频，支持以代码方式编辑并导出 MP4。Dashboards 面向付费用户，Motion 面向 Team 和 Enterprise 套餐。Docs、Slides、Design 结束 beta，向包括免费账号在内的所有套餐开放，Anthropic 称这些工具已创建超过 4500 万份文档。此前公布的 Claude Design 将于 12 月 14 日并入主应用，并提供迁移指南。

    匹配字段摘要

    #ai-vertical#产品更新#Anthropic#多模态

星期四

  2. gihyo.jp

    Google 向公众开放 SynthID Detector 检测站点

    Google 于 10 月 7 日将图像、视频、音频电子透水印检测网站 SynthID Detector 的适用范围扩大到普通用户，除 Google 外还支持 OpenAI、NVIDIA、Kakao 的 AI 生成内容，并计划近期支持 Apple 的生成内容。用户需登录后上传文件检测是否含有 SynthID 透水印，视频和音频还能看到检出透水印的区段，目前不支持文本检测。Google 说明未检出透水印也不能否定 AI 生成，因为非 SynthID 模型或透水印推出前的内容本就不带该信号，大幅加工也可能削弱信号。

    匹配字段摘要

    #hot-signal#产品更新#多模态#Google
  3. Claude Blog

    Anthropic 推出 Claude Dashboards 与 Claude Motion 测试版

    Anthropic 宣布 Claude Dashboards 和 Claude Motion 进入 beta：Dashboards 可连接 BigQuery、Databricks、Snowflake、Salesforce 等数据源，用自然语言生成并持续更新的仪表盘，每张图表可查看背后的查询，目前在付费计划开放；Motion 面向 Team 和 Enterprise，通过编写代码生成动画讲解，可导出 MP4，不使用视频生成模型。同时 Docs、Slides、Design 结束 beta，向包括 Free 在内的所有计划开放，Artifacts 支持 CMEK，并可将演示文稿导出为 PowerPoint、PDF 或 Google Slides 可编辑文件。Claude Design 独立站点将于 12 月 14 日关闭，团队设计系统需迁移至 Claude 内。

    匹配字段摘要

    #lab#产品更新#Anthropic#部署/工程

星期三

  1. 9to5Google

    Google 的 SynthID AI 图像检测器全球上线，将支持 Apple 模型

    Google 的 AI 图像与视频检测工具 SynthID 从有限早期访问升级为全球可用的英文工具，未来还将继续扩展。新版 SynthID 除支持 Google 自家 Gemini 生成的内容外，还兼容 OpenAI、Nvidia、Kakao 以及 Apple 等合作方的模型，这些模型生成的内容会带有肉眼不可见的水印。Google 表示，Apple Intelligence 生成的图像将“很快”带有 SynthID 水印。

    匹配字段摘要

    #hot-signal#产品更新#图像生成#Google
  2. TechCrunch AI

    Google 上线 SynthID 网站，向所有人开放 AI 生成媒体检测

    Google 周二上线新网站，任何人都可以验证图片、视频或音频是否由 AI 生成。该工具此前在 Google I/O 上仅向部分记者、媒体从业者和研究人员开放测试，现面向所有人开放。网站支持 JPG、PNG、GIF 等图片格式，MP4、MOV、WEBM 视频格式，以及 WAV、MP3、FLAC 等音频格式，检测基于 Google 2023 年推出的 SynthID。Nano Banana、Veo、Lyria 以及 Gemini、Flow、ProducerAI、Vids 等生成工具都会用 SynthID 为生成内容加水印，OpenAI、Nvidia、Kakao 也支持 SynthID，Apple 据称将很快加入。Google 已将 SynthID 验证嵌入 Gemini 应用和 Chrome，目前每天有 100 万次内容验证请求。

    匹配字段摘要

    #tech-media#产品更新#多模态#Google
  3. Google Blog

    Google 面向全球英文用户开放 SynthID Detector

    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，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。

    匹配字段摘要

    #lab#产品更新#多模态#Google
  4. Google AI

    Google 开放 SynthID 水印在线验证入口

    Google 宣布扩大 SynthID 的访问范围，任何人现在都可以通过新上线的网页入口检查图片、视频或音频文件是否带有 SynthID 水印，这些文件既可能由 Google 生成，也可能来自 OpenAI、NVIDIA、Kakao 等合作方，Apple 也将加入。Google 称目前已为 1800 亿张图片和视频以及超过 24 万年的音频内容添加水印，每天处理约 100 万次验证请求。该门户与 Search、Gemini App 和 Chrome 中已有的内置验证功能并列。

    匹配字段摘要

    #editorial#产品更新#多模态#图像生成

星期二

  1. Krea AI精选

    Krea 将 Krea Agent 引入 After Effects

    Krea 宣布 Krea Agent 进入 After Effects，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。官方同时展示了用 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。

    匹配字段摘要、正文

    #company#产品更新#Agent#视频

星期三

  1. 量子位精选

    Manus 2.0 发布：桌面端升级为 Studio，推出个人 Agent 应用 Cue

    9 月 1 日宣布恢复独立运营的 Manus 发布回归后首个大版本更新 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。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。新一代自研 Agent 框架 Cascade 按需引入专业能力，官方测试中相比此前系统 Token 消耗减少 23.2%、任务完成时间缩短 28.2%、运行成本降低 32%。Manus 同时透露面向国内市场的产品正在筹备，团队正在组建。

    匹配字段摘要、正文

    #chinese#产品更新#Agent#MCP/工具调用

星期五

  1. The Rundown AI

    Meta 在 Connect 2026 为 Muse 智能体推出 Charm 钥匙扣设备与眼镜集成

    Meta 在 Connect 2026 活动上为旗下走红的 Muse 智能体发布多项升级，包括 12 月发货的钥匙扣硬件 Charm、数月内上线的 AI 眼镜集成、实时语音与视频对话，以及可同步语音的 Muse Realtime Avatar。扎克伯格称 Charm 是“与 Muse 对话最快的方式”，眼镜端将提供连 Meta 也无法获取数据的私有处理模式。PayPal、Walmart、Shopify、GitHub 和 Box 等公司已成为 Muse 合作伙伴，此前亚马逊本周早些时候曾阻止其访问。

    匹配字段摘要

    #newsletter#行业动态#多模态#端侧

星期四

  1. The Verge AI

    Google 为 Gemini 3.8 Live 推出 Live Avatar 动画形象

    Google 在 Gemini 3.8 Live 更新中推出 Live Avatar，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。Google 称 Live Avatar 可在其支持的 97 种语言之间切换而不降低视频保真度或产生视觉漂移，还能在说话时在屏幕上调取信息。该功能约一周前随 Gemini 3.8 Live 模型发布，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。

    匹配字段摘要

    #tech-media#产品更新#多模态#语音

星期二

  1. NVIDIA Developer · Generative AI

    NVIDIA Dynamo-Triton 26.07 集成 TensorRT 多设备推理

    NVIDIA Dynamo-Triton 26.07 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。以 Cosmos 3 Nano 视频生成为例，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，但该基准未测量并发吞吐、单视频成本或 TCO。

    NVIDIA Dynamo-Triton 26.07 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。以 Cosmos 3 Nano 视频生成为例，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，但该基准未测量并发吞吐、单视频成本或 TCO。

    匹配字段摘要

    #lab#产品更新#部署/工程#推理