Suno 推出 Visuals 功能,可为 AI 音乐生成视频与图像
Suno 上线 Visuals 功能,用户可把歌曲片段转成最长 15 秒、自动对口型的 AI 视频,也能用提示词生成缩略图和专辑封面。该功能覆盖网页、iOS 和 Android,由基于 MiniMax H3 的 H3 Move AI 模型驱动,并配有文本与视觉过滤器以阻止生成特定艺人、公众人物和版权 IP 的形象。
Suno 上线 Visuals 功能,用户可把歌曲片段转成最长 15 秒、自动对口型的 AI 视频,也能用提示词生成缩略图和专辑封面。该功能覆盖网页、iOS 和 Android,由基于 MiniMax H3 的 H3 Move AI 模型驱动,并配有文本与视觉过滤器以阻止生成特定艺人、公众人物和版权 IP 的形象。
Suno 上线 Visuals 功能,可为歌曲生成图像和视频片段,底层使用 MiniMax 视频模型 H3 的定制安全过滤版本 H3 Move。片段最长 15 秒,跟随歌曲结构、识别歌词并支持唇形同步,用户可从参考照片、提示词或预设角色起步,提供 Fast 和 Standard 两档质量,并需单独消耗 credits。
Latent Space 播客邀请 Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell,讨论团队为何在 FLUX 3 中把静态图像、运动视频和声音三种信号放在一起训练。
Adobe 在年度 Max 大会上公布多项 AI 实验项目,包括把任意平面图片转为可漫游、可重新取景的 3D 场景的 Project Sight Span,以及通过对话塑造角色性格并生成试镜视频的 Project Screen Test。
Adobe 在 Max 大会上为 Creative Cloud 与 Firefly 推出一批生成式 AI 新功能。
Paramount Skydance CEO David Ellison 在财报电话会上称,AI 对电影行业的影响可能超过 CGI,是"现代史上最大的创意解锁"。他以《终结者》为例称当年制作成本 400 万美元、如今逐镜头重拍需 6000 万至 7000 万美元,AI 有望压低预算、释放更多原创故事。Ellison 表示公司正自研 AI 工具,但强调 AI 是艺术家的工具,"永远不会取代"艺术家。
Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 正式开放,单段视频最长从 10 秒延长到 15 秒,720p 视频价格下降 30% 至每秒 0.07 美元。
推荐理由:读者可以了解 Gemini Omni 1.2 Flash 在时长、价格和对话式编辑上的具体变化,以及参考图一致性的改进。
Google DeepMind 发布 Gemini Omni 1.2 Flash,原生支持最长 15 秒视频生成,并可通过多轮对话编辑片段。该模型相比 Omni 1.1 降价 30%,720p 视频定价为每秒 $0.07,同时提升了对人物、产品和风格参考图的一致性。
推荐理由:原文列出时长、价格与参考一致性的具体变化,读者可据此判断视频生成成本与工作流会如何调整。
歌手 Grimes 将以本人形象和配音出演 AI 生成科幻电影《Gods Don't Give Gifts》,该片由 AI 工作室 Fable 制作、Jack London 执导,定于 12 月 4 日上映,并被宣传为"首部登陆院线的 AI 电影"。影片为选集结构,背景设定在身体可弃、意识被商品化的未来,讲述四个相互关联的故事。
Google DeepMind 以研究预览形式发布世界模型 Genie 4,可生成更逼真的交互世界,并支持在模拟过程中输入提示词实时改变场景。新模型能生成与场景匹配的实时音频,包括音乐、环境音和交互对话,场景一致性最长维持两分钟,是前代 Genie 3 的两倍。
Grok 发布了 AI 生成《奥德赛》系列的第一集,时长七分钟,由 Wonder Studios 与导演 Dev Walker 合作完成。这距离 Elon Musk 宣布将推出全长"历史准确"电影版已过去三个月。TechCrunch 评价其画面虽比预期好看,但缺乏艺术性与叙事张力,令人难以看完全片。
Kling AI 发布 4.0 版本,单次可生成最长 30 秒视频,支持最多 10 张关键帧图像输入,提示词理解扩展至 8,000 tokens。新版本加入双声道立体声和十余种语言的改进口型同步,Omni Reference 单次可接受最多 15 个参考素材,并推出最高 720p、20 秒的轻量版 Kling 4.0 Flash。
TwelveLabs 的视频语言模型 Pegasus 1.5 已在 Amazon Bedrock 上线,可将长视频按用户定义的分段规则输出带起止时间的结构化 JSON 元数据。
Mark Wahlberg 在 TechCrunch Disrupt 上表示,只要用法得当,AI 在电影行业有一席之地,他计划在即将主演的 Pete Rose 传记片中用 AI 增强体育场场景等画面。他反对把想法丢给 ChatGPT 生成剧本后直接开拍、不用真人演员,并强调讲故事才是电影的核心。他还表示愿意让 AI 分身延续自己的形象,包括让动画剧集《Ted》在他无法出演后继续下去。
Higgsfield 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上,背后使用 GPT-6 Astra。同时它用 GPT-Image-2.5 提升画面精度,并借助 GPT-Live 探索语音电影制作路径。
Ben Affleck 本周因多段采访视频走红,他在 GQ 和 Bloomberg Screentime 2026 活动上展示了机器学习、神经网络、Transformer、张量、GPU、推理等 AI 术语的理解,并称自己会写 Python。
Pollo AI 借助 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5,帮助创作者把创意转化为精细图像和电影级视频广告。
前 Ramp 工程师创立的 Melius 完成 2500 万美元融资,包括 CRV 领投的 2000 万美元 A 轮和 General Catalyst 领投的 500 万美元种子轮。该公司最初做 AI 效果营销工具,六個月后放弃全部代码库,转型为生成广告活动、图片和视频的"创意工作智能体实验室",7 月结束隐身以来年化收入已超 100 万美元。
Tavus 推出 Griffin,公司称其为首个 Human Interaction Model(HIM),可在接收和生成视频的同时处理语音、面部表情、语调、手势和停顿。
AWS 发布教程,演示在 SageMaker AI 上从同一个 vLLM-Omni DLC 部署两个端点:实时端点运行 FLUX.2-klein-4B 生成图像,异步端点运行 Wan2.1-VACE-1.3B 做图像条件视频生成。文本提示词先生成 PNG,再连同运动提示词经 Amazon S3 传给视频端点,最终取回 MP4,并提供命令行与 Streamlit 界面。
Runway 推出 GWM Worlds 2 研究预览,把高保真视频与音频生成变成实时交互式模拟,并引入 WorldPrompt 这一输入格式,可固定环境部分要素(包括首帧)并生成带时间戳的事件序列。
Google Research 发布 AI video co-director 多智能体框架,在 Gemini 和 Veo 之上编排多镜头长视频生成,缓解语义漂移与级联失败。
推荐理由:Google Research 把长视频生成拆成编排、分镜、时序扩展与闭环修正四个模块,读者可了解多智能体如何抑制视觉漂移。
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar,在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成,实现带唇形同步、自然表情和流畅轮次的视觉化对话,已在 Gemini Enterprise 上线。
推荐理由:官方给出 Live Avatar 的实时视频对话能力、97 种语言同步与异步工具调用细节,可据此判断企业级多模态交互的落地形态。
AWS 发布基于 Strands Agents SDK 的智能体架构视频智能方案,由 Amazon Bedrock 驱动,按用户提问在运行时调度 Amazon Rekognition、Amazon Transcribe 和 Amazon Bedrock Data Automation。
Higgsfield AI 借助 GPT-6 Astra,一天内上线新视频功能,让小型企业更轻松地制作视频广告,并更快将新创意工具推向市场。
Google DeepMind 发布 Gemini Omni 1.1 Flash,为开发者提供场景延展、首尾帧插值、360p 快速草稿和最高 4K 上采样等生成视频控制能力,通过 Gemini API 在 Google AI Studio 提供。
推荐理由:官方给出场景延展、首尾帧插值与 4K 上采样等具体能力与开放入口,可据此判断生成视频工作流的可控性变化。
Google DeepMind 发布 Nano Banana 2 Lite(gemini-3.1-flash-lite-image)和 Gemini Omni Flash(gemini-omni-flash-preview)两款模型。
推荐理由:两款新模型给出延迟、单价与开放入口,读者可据此判断图像与视频生成链路的成本与可用性。
Google DeepMind 发布 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,并通过自然语言多轮编辑视频。
推荐理由:Gemini Omni 把多模态输入与对话式视频编辑结合,读者可据此判断视频生成工作流的变化。