新Capybara：统一视觉创作模型，一个模型搞定文生图、视频生成与全能编辑
在当前的 AI 视觉创作领域，我们正陷入一种“工具碎片化”的困境：生成图片用 Midjourney，生成视频换 Runway，修图得开 Photoshop，剪视频又要另一套流程。这些工具不仅接口割裂...
排序
让视频"无中生有"的AI魔术师！PISCO：基于稀疏控制的精确视频实例插入技术
想象一下，你拍了一段空无一人的街道视频，现在想把一只奔跑的猫放进画面里——不仅要让它看起来真实，还要让它和周围环境产生互动：地上要有影子，经过水坑要有倒影，被路灯照到要反光。更神奇的是，你只需要告诉A...
复杂运动、多模态参考、双声道音频！字节跳动正式发布Seedance 2.0：统一多模态架构， 支持导演级编辑的工业级音视频生成
字节跳动正式推出新一代视频创作模型 Seedance 2.0。作为迭代升级后的重磅版本，它采用全新统一的多模态音视频联合生成架构，全面支持文本、图片、音频、视频四种模态输入，集成了当前行业内覆盖面最广...
Soul AI Lab推出SoulX-FlashTalk ：140 亿参数模型实现 0.87 秒启动、32 FPS 实时数字人直播
当前 AI 数字人技术面临一个根本矛盾：高保真生成与实时性难以兼得。顶尖模型虽能生成逼真口型与表情，但因依赖多步迭代去噪，生成一秒钟视频常需数秒甚至更久，无法用于视频通话、直播带货等实时交互场景。更严...
VideoMaMa：基于扩散模型的视频抠图新SOTA，粗糙掩码一键生成高精度Alpha遮罩
高丽大学、Adobe Research 与 KAIST AI 联合提出 VideoMaMa（Video Mask-to-Matte Model），一种基于 Stable Video Diffusion...
InteractAvatar：文本驱动的可控说话化身框架，实现高保真场景化人-物交互
清华大学联合腾讯混元项目组研发的InteractAvatar，是一款创新的双流DiT（扩散变换器）框架，首次让说话虚拟化身突破简单手势局限，实现基于静态场景的文本驱动可控人-物交互。该模型能从参考图像...
模思智能推出 MOVA：开源同步音视频生成基座模型，打破“无声视频”困局
模思智能正式开源 MOVA（MOSS Video and Audio）——一款专注于原生同步生成视频与音频的基座模型。针对当前主流系统（如 Sora 2、Veo 3）普遍采用的“先画后音”级联流程，M...
UniVideo：滑铁卢大学与快手推出统一视频生成与编辑模型，支持理解、生成、编辑一体化
长久以来，视频 AI 能力被割裂为多个独立任务： 理解：靠视觉语言模型（如 Qwen-VL） 生成：依赖扩散模型（如 Sora、HunyuanVideo） 编辑：需专门的编辑网络或掩码引导 这种碎片化...
Lightricks发布LTX-2：首个基于 DiT 的开源音视频基础模型
Lightricks发布了首个基于 Diffusion Transformer（DiT） 架构的开源音视频联合生成模型LTX-2。它在一个统一框架中集成了现代视频生成的核心能力：同步的音频与视频输出...
Stable Video Infinity（SVI）发布 2.0 Pro：基于错误回收机制的无限长视频生成模型
洛桑联邦理工学院（EPFL）的研究团队推出 Stable Video Infinity（SVI） ——一款能够生成任意长度视频的人工智能模型。它通过一项名为 “错误回收微调（Error-Recycli...
StoryMem：基于Wan2.2的新框架，用“视觉记忆”生成连贯的多镜头长视频
生成一段包含多个镜头、角色一致、场景连贯、时长达一分钟的叙事视频，是当前视频生成模型的重大挑战。主流方法要么局限于单镜头，要么在跨镜头切换时出现角色崩坏、场景断裂等问题。 由南洋理工大学与字节跳动联合...
OmniVCus：用多模态控制信号实现前馈式主题驱动视频定制
在视频生成领域，一个长期挑战是：如何让用户通过简单指令（如文本、草图或相机轨迹），灵活定制视频中一个或多个主体的外观、动作与空间关系？ 由约翰·霍普金斯大学、Adobe 研究院、香港大学、香港中文大学...
