←搜索结果

搜索“视频”

按匹配度 · 共 2195 条结果 清除搜索

星期五

星期四

  1. a16z：News

    a16z 播客：AI 视频的下一个前沿是控制力

    a16z 普通合伙人 Jennifer Li 与 fal 联合创始人 Gorkem Yurtseven、工程负责人 Batuhan Taskaya 对谈，讨论生成式视频快到能实时运行后带来的变化。他们拆解了 H3 Max——fal 对 MiniMax 开源权重视频模型做后训练后的版本，通过模型后训练结合系统与硬件优化，在保持质量的同时显著缩短生成时间，并已用于可记忆前序场景、实时响应新指令的连续视频流实验。他们认为下一阶段挑战不再是速度，而是从镜头运动、灯光到角色、动作与口型同步的控制力。

    匹配字段标题、摘要

    #analysis#行业动态#视频#多模态

星期一

  2. ElevenLabs Blog

    ElevenLabs MCP 新增语音、音乐、图像与视频生成能力

    ElevenLabs 的 MCP 连接器新增生成能力，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。

    Aron Pammer

    匹配字段标题、摘要

    #company#产品更新#MCP/工具调用#多模态

星期五

星期四

星期二

星期一

  1. ElevenLabs Blog精选

    Vimeo 借助 ElevenLabs 将自动视频配音扩展至 40 种语言

    Vimeo 通过 ElevenAPI 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 种目标语言的自动视频配音。自 2026 年 1 月以来，客户已为超过 25,000 个视频配音 1.4 million 分钟，超过 27% 的企业账户尝试过 AI 配音，平均每个视频覆盖 3.3 种目标语言。创作者还可编辑文本轨道，在发布前检查和调整配音结果。

    匹配字段标题、摘要

    #company#产品更新#视频#语音

星期日

  1. Dominik Kundel

    GPT-6 Astra 用乐高积木设计并渲染 4K 视频

    作者展示用真实乐高积木搭建的作品，并说明这些积木由 GPT-6 Astra 在 Bricklink Studio 中设计，随后在 Blender 中渲染成 4K 视频。他称这是最不实用但最好玩的用法，并附上了可自行搭建的零件清单。

    匹配字段标题、摘要

    #analysis#其他#多模态

星期六

星期三

  1. Google AI for Developers

    Gemini 3.7 Flash 推出智能体视频理解能力，可自动调整处理速度

    Google AI Developers 宣布 Gemini 3.7 Flash 上线新的智能体视频理解能力，可自动调整处理速度，从而准确识别并计数快速动作，例如拍手。该能力已支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，今天起可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 上传视频或使用 YouTube 视频。

    匹配字段标题、摘要

    #engineering#产品更新#视频#多模态
  2. Google AI for Developers精选

    Gemini 3.7 Flash 等三款模型上线智能体视频理解能力

    Google 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解能力，即日起可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 上处理上传视频和 YouTube 视频。官方演示中，Gemini 3.7 Flash 借助该能力自动调整处理速度，准确识别并数清快速拍手动作；此前静态处理默认以 1 FPS 抽帧，拍手这类瞬间动作容易被漏掉或误判为响指、点击。

    匹配字段标题、摘要

    #engineering#产品更新#多模态#视频
  3. Philipp Schmid

    Gemini 视频理解引入智能体模式，长视频 token 最多减少 88%

    Gemini 的视频理解改为智能体式处理，模型可自行浏览视频时间线、决定看哪些片段、选择帧率，并判断是否需要语音转录、音频或视觉帧来回答提示词。官方称长视频最多减少 88% 的 token 和 66% 的成本，基准准确率提升约 7%。启用方式是在 video 上设置 processing="agentic"，2 分钟以内的视频仍用 static；该功能已在 Gemini API 和 Google AI Studio 上线，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash Lite。

    匹配字段标题、摘要

    #editorial#产品更新#视频#Agent

星期二

  1. Google DeepMind精选

    Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解功能

    Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解功能，模型可动态扫描视频片段，token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。该功能已在 Google AI Studio 和 Gemini Enterprise Agent Platform 的 Gemini API 中上线，支持视频上传和 YouTube 视频，按标准 token 计费且不额外收费。相比固定 1 FPS 的静态处理，它结合模型推理与原生视频工具，按需检索画面、音频和转录文本，后续还将接入 Gemini 应用和 YouTube 的 Ask YouTube 功能。

    匹配字段标题、摘要

    #lab#产品更新#多模态#视频

星期六

  1. Robbyant 蚂蚁灵波

    蚂蚁灵波 Zero-WAM：机器人从人类视频学新任务

    机器人能直接从人类操作视频中学习新任务吗？✅ 认识 Zero-WAM：面向机器人学的基于视频的上下文学习。无需大量重训练，无需冗长文本指令。给定人类演示视频，它能推断物体、交互与任务流程，生成机器人可执行的动作。 - HumanGen 数据集：8.6K 任务 / 74.2K 人-机器人样本 - IFP 训练用于长时程视频任务理解 - 在 7 个未见过的 RoboTwin 2.0 任务上平均成功率 46.95% 论文已发布，代码即将开源。

    匹配字段标题、摘要

    #editorial#论文/研究#具身智能#视频

星期五

  1. Comfy Blog

    Gemini Omni 1.1 Flash 上线 ComfyUI：支持 4K 输出与对话式视频编辑

    Gemini Omni 1.1 Flash 通过 Partner Nodes 在 ComfyUI 上线，可在 Gemini Video Omni 节点中选择该模型，支持文生视频、图生视频、参考生视频、视频编辑和场景延展，分辨率覆盖 360p 到 4K，每段视频自带生成音轨。该模型原生多模态处理文本、图像、音频和视频，支持用自然语言描述修改并保留画面其余部分，编辑结果可叠加，场景延展会延续原有运动、角色身份和光照。节点提供提示词、分辨率、宽高比、任务类型选择以及可选的图像和视频输入，更新 ComfyUI 至最新版本或使用 Comfy Cloud 即可使用。

    Rob's avatar

    匹配字段标题、摘要

    #company#产品更新#视频#多模态

星期四

星期二

  1. Comfy Blog

    Wan 3.0 上线 ComfyUI：原生 30 秒视频与 Omni-Reference 控制

    阿里最新视频生成模型 Wan 3.0 已在 ComfyUI 上线，支持单次生成最长 30 秒视频，无需拼接。提示词输入上限扩至 20,000 字符，参考素材最多 20 个，包括 10 张图片、5 段视频、5 段音频和一个文件或 URL，并可通过 @Image1、@Video2 等 @ 语法在提示词中指定用途。模型支持按指令编辑已有视频，如移除或替换元素、重新打光、改变运动，也可延长现有素材，输入加输出总长不超过 30 秒。用户需将 ComfyUI 更新至 v0.33.4 或使用 Comfy Cloud，通过节点库或模板面板调用。

    Rob's avatar

    匹配字段标题、摘要

    #company#产品更新#视频#多模态