ตระกูล H3 ของ MiniMax ขยายขอบเขตเกินกว่าวิดีโอในสัปดาห์นี้ โดย H3 Image, H3 Image Highspeed, H3 Highspeed และ H3 Lite พร้อมใช้งานแล้วใน Recraft Studio โมเดลภาพทั้งสองสร้างและแก้ไขที่ 2K หรือ 4K ขณะที่โมเดลวิดีโอทั้งสองสร้างคลิปความยาว 4–15 วินาทีที่ 480p หรือ 768p พร้อมเสียง H3 Image เริ่มต้นที่ 6 เครดิตต่อภาพ และ H3 Lite เริ่มต้นที่ 4 เครดิตต่อวินาทีของวิดีโอ
Gemini Omni Flash 1.2 โมเดลวิดีโอใหม่ล่าสุดของ Google พร้อมใช้งานแล้วใน Recraft Studio โดยคลิปมีความยาวสูงสุด 10 วินาทีพร้อมเสียงแบบ native เมื่อเทียบกับ 1.1 เวอร์ชันนี้รักษาตัวละคร สินค้า และฉากให้มีความนิ่งสม่ำเสมอตลอดคลิป ทำตามคำสั่งกล้องโดยมีการตัดภาพที่ไม่ต้องการน้อยลง และสร้างบทสนทนาที่ lip-sync ชัดเจนขึ้น รวมถึงฉากที่มีผู้พูดหลายคน Google เปิดตัวโมเดลนี้เมื่อวันที่ 5 พฤศจิกายน 2026 และระบุว่ายังคงมีปัญหากับกีฬาที่มีการเคลื่อนไหวเร็ว การเปลี่ยนบทอย่างรวดเร็ว และฟิสิกส์ที่ซับซ้อน
Google DeepMind เปิดตัว Gemini Omni 1.2 Flash พร้อมใช้งานทั่วไปแล้วทั้งใน Gemini API และ Gemini for business โดยมีความสามารถสร้างวิดีโอเนทีฟความยาว 15 วินาที การแก้ไขผ่านบทสนทนาหลายรอบ และการทำตามภาพอ้างอิงที่แข็งแกร่งขึ้น ราคาลดลง 30% จาก Gemini Omni 1.1 เหลือ 0.07 ดอลลาร์ต่อวินาทีสำหรับวิดีโอ 720p และผู้ใช้สามารถร่างที่ 360p หรือ 720p ก่อนอัปสเกลเป็น 1080p หรือ 4K คลิปสามารถตั้งค่าได้ตั้งแต่ 3 ถึง 15 วินาที เพิ่มทีละหนึ่งวินาที และผลลัพธ์มีลายน้ำ SynthID ที่มองไม่เห็น
ทำไมเรื่องนี้สำคัญ: Gemini Omni 1.2 Flash เพิ่มความยาวคลิปเนทีฟเป็น 15 วินาที และลดราคาลง 30% เหลือ 0.07 ดอลลาร์ต่อวินาทีของวิดีโอ 720p พร้อมการแก้ไขผ่านบทสนทนาหลายรอบที่พร้อมใช้งานทั่วไปแล้ว
Google DeepMind เปิดตัว Gemini Omni 1.2 Flash และเปิดให้ใช้งานทั่วไปผ่าน Gemini API และ Gemini for business โมเดลนี้สร้างและแก้ไขคลิปแบบเนทีฟได้สูงสุด 15 วินาที เพิ่มขึ้นจาก 10 วินาทีใน Omni 1.1 รองรับการแก้ไขแบบสนทนาหลายรอบ และรักษาการอ้างอิงตัวละคร สินค้า และสไตล์ได้สม่ำเสมอมากขึ้น วิดีโอ 720p ราคา 0.07 ดอลลาร์ต่อวินาที ลดลง 30% จาก Omni 1.1 เอาต์พุตมีลายน้ำ SynthID และโมเดลกำลังทยอยเปิดใช้งานใน Flow, Google Vids, แอป Gemini และ Google Ads
ทำไมเรื่องนี้สำคัญ: Gemini Omni 1.2 Flash ลดราคา 30% เหลือ 0.07 ดอลลาร์ต่อวินาทีสำหรับวิดีโอ 720p พร้อมขยายคลิปแบบเนทีฟเป็น 15 วินาที มอบทางเลือกที่ถูกกว่าให้ทีมที่ผลิตวิดีโอจำนวนมากเพื่อเปรียบเทียบกับเวอร์ชันก่อนหน้า
Modal อธิบายวิธีรัน LiveKit Agents ด้วยโมเดล open-weights หรือโมเดลที่กำหนดเองบนเซิร์ฟเวอร์เลส GPU ของตน โดยใช้ Expression Video Avatar แบบ open-weights ของ BitHuman ที่ขับเสียงด้วย Qwen3-TTS เพื่อโคลน Charles Frye การตั้งค่านี้เปิดเผย endpoint /launch ของคอนเทนเนอร์อวาตาร์ผ่าน Modal Server และใช้ Sticky Sessions เพื่อให้ไคลเอนต์ WebSocket อยู่ในคอนเทนเนอร์เดียวกัน โดยใช้ GPU snapshots เพื่อซ่อน cold starts
การอัปเดตของ Descript เมื่อวันที่ 12 ตุลาคม 2026 เพิ่มแถบค้นหาทั่วทั้งไดรฟ์ พร้อมหน้าผลลัพธ์แบบเต็มและฟีเจอร์ค้นหาไฟล์ของ Underlord ไดรฟ์ระดับองค์กรสามารถส่งคำขอบันทึกแบบอะซิงโครนัสได้แล้ว เพื่อให้แขกบันทึกตามตารางเวลาของตนเอง และ AI Speech เปลี่ยนไปใช้ ElevenLabs v4 เพื่อการโคลนเสียงที่แม่นยำยิ่งขึ้น แผนแบบชำระเงินยังใช้ MiniMax H3 Max Turbo เป็นค่าเริ่มต้นสำหรับการสร้างวิดีโอด้วย AI
การอัปเดต Descript ประจำวันที่ 17 กันยายน 2026 เพิ่มพรีเซ็ตคำบรรยาย 18 แบบและแอนิเมชันข้อความใหม่ 10 แบบ พร้อมเพลงพื้นหลังและเอฟเฟกต์เสียงที่สร้างด้วย AI วางบนไทม์ไลน์โดยตรงในเวอร์ชัน 145.0.15 ขึ้นไป ขั้นตอนชำระเงินแสดงราคาเป็นสกุลเงินท้องถิ่นพร้อม Apple Pay, Google Pay, Cash App และตัวเลือกอื่น ๆ และตัวเลือกเสียงดึงมาจากคลังเสียงของ ElevenLabs
MiniMax เปิดตัว H3 โมเดลสร้างมัลติโมดัลเอนกประสงค์ที่เข้าใจข้อความ รูปภาพ วิดีโอ และเสียงเป็นบริบทแบบรวมศูนย์ และสร้างวิดีโอพร้อมเสียงสเตอริโอเนทีฟได้นานสูงสุด 15 วินาทีที่ความละเอียด 2K บริษัทกล่าวว่าผลลัพธ์ 2K มีต้นทุนต่อวินาทีน้อยกว่าหนึ่งในสามของโมเดลกระแสหลัก และมีแผนจะเปิดน้ำหนักโมเดลในอีกไม่กี่วันข้างหน้าภายใต้กฎหมายและข้อบังคับที่เกี่ยวข้อง H3 สร้างขึ้นบน Contextual Omni Representation, H3-VAE, H3-Omni Transformer และ In-Context Regeneration และ MiniMax กล่าวว่ารายงานทางเทคนิบฉบับเต็มจะเผยแพร่เร็วๆ นี้
ทำไมเรื่องนี้สำคัญ: H3 ของ MiniMax รวมการสร้างข้อความ รูปภาพ วิดีโอ และเสียงไว้ในโมเดลเดียว และอ้างว่าราคา 2K ต่ำกว่าหนึ่งในสามของโมเดลกระแสหลัก พร้อมสัญญาว่าจะเปิดน้ำหนักโมเดลเร็วๆ นี้
Runway กำลังร่วมมือกับ Modal เพื่อขับเคลื่อนการประมวลผลแบบเรียลไทม์สำหรับ Runway Characters ซึ่งเป็น API ของเอเจนต์วิดีโอแบบเรียลไทม์ที่สร้างขึ้นบนโมเดลโลก GWM-1 ของ Runway ที่สร้างบุคลิกภาพดิจิทัลที่แสดงออกได้จากภาพเดียวโดยไม่ต้องปรับแต่งเพิ่มเติม แพลตฟอร์มเซิร์ฟเวอร์เลสของ Modal ช่วยให้ Runway ก้าวจากต้นแบบไปสู่การใช้งานจริงได้ในเวลาไม่ถึง 30 วัน โดยใช้คลัสเตอร์ GPU หลายโหนดแบบบรรทัดเดียวพร้อมเครือข่าย RDMA ในทุกภูมิภาค Characters พร้อมใช้งานแล้วสำหรับนักพัฒนาและธุรกิจที่ dev.runwayml.com และสำหรับผู้บริโภคที่ runwayml.com
OpenAI อัปเดตคู่มือ prompting ของ Sora 2 ให้ครอบคลุมความสามารถใหม่ของ API ได้แก่ character references ที่ใช้ซ้ำได้สำหรับวัตถุและสัตว์, การส่งออกที่ 1920×1080 และ 1080×1920, ความยาวคลิปสูงสุดเพิ่มจาก 12 วินาทีเป็น 20 วินาที, การต่อวิดีโอที่ใช้คลิปต้นฉบับทั้งหมดเป็นบริบท และ Batch API สำหรับงานวิดีโอแบบอะซิงโครนัส คู่มือยังอธิบายโครงสร้าง prompt สำหรับการจัดเฟรมภาพ การเคลื่อนกล้อง แสง และบทสนทนา และระบุว่าความละเอียด ระยะเวลา และ character IDs ต้องตั้งค่าเป็นพารามิเตอร์ของ API ไม่ใช่บรรยายเป็นข้อความ รองรับการต่อได้สูงสุด 20 วินาที และวิดีโอหนึ่งสามารถต่อได้สูงสุด 6 ครั้ง รวมทั้งสิ้น 120 วินาที
ทำไมเรื่องนี้สำคัญ: คู่มือ prompting ของ Sora 2 ที่อัปเดตโดย OpenAI อธิบายความสามารถใหม่ของ API เช่น character references, คลิป 20 วินาที และการต่อวิดีโอ พร้อมเทมเพลต prompt ที่ใช้ซ้ำได้สำหรับควบคุมช็อต
Lemon Slice สร้าง Lemon Slice Live ซึ่งเป็นผลิตภัณฑ์สำหรับการสนทนาวิดีโอแบบเรียลไทม์กับตัวละคร AI โดยใช้ Modal และ primitives ที่มีความหน่วงต่ำของ Daily เพื่อให้ได้ความหน่วงในการตอบสนองวิดีโอแบบ end-to-end ที่ 3-6 วินาที ไปป์ไลน์นี้รันเซิร์ฟเวอร์ Pipecat และโมเดลวิดีโอขนาด 1B พารามิเตอร์บนคอนเทนเนอร์ Modal แยกกันที่สื่อสารผ่าน Tunnel ของ Modal และถูกจัดวางร่วมกันกับการเลือกภูมิภาค โดยมี Deepgram, Grok และ ElevenLabs รับผิดชอบการแปลงเสียงเป็นข้อความ การตอบสนองของ LLM และการแปลงข้อความเป็นเสียง ก่อนหน้านี้ Python Modal Functions สองตัวช่วยให้ Lemon Slice ขยาย規模ได้ถึง 10,000 คำขอต่อชั่วโมงโดยไม่ต้องจัดการคลัสเตอร์ ECS คิวงาน หรือโหลดบาลานเซอร์
sync. 正在利用 Modal 每天对超过 100 小时的视频进行唇形同步，将长视频拆分为场景，在 n 个 T4 GPU 容器上运行人脸检测和翻译，然后将每个场景传递给其在 A100 上专有的 LipSync GenAI 模型。该团队每天部署多达 95 次，并在从 Google Colab 原型和 AWS Lambda 迁移后，一年内向生产环境交付了 10 个主要模型变体。