ตัวละครแบบเปิดชื่อคลอเดีย นักร้องป็อปที่สร้างโดย AI ผมบ๊อบสีดำพร้อมไฮไลต์สีส้มดินเผา เป็นผู้นำในมิวสิกวิดีโอสิบเพลงที่สร้างด้วย Claude ระหว่างเดือนกันยายนถึงพฤศจิกายน 2026 การเปิดตัวนี้เผยแพร่ภาพทุกภาพของเธอ ภาพยนตร์ และทุกสิ่งที่จำเป็นในการสร้างเธอขึ้นมาใหม่ด้วยตัวเอง วิดีโอเหล่านี้สร้างขึ้นด้วยพรอมต์ Midjourney คลิป Seedance 2.5 และเพลง Suno v6
นักพัฒนาได้เปิดตัวเครื่องมือ Show HN ที่เปลี่ยนเว็บไซต์ บทความ หรือสคริปต์ใดๆ ให้เป็นวิดีโออธิบายสไตล์ Rick and Morty พร้อมบทสนทนา ฉาก และแอ็กชัน ผู้ใช้คลิกสร้างเพื่อแปลงสคริปต์เป็นสตอรีบอร์ดที่ตรวจสอบได้ จากนั้นคลิกสร้างอีกครั้งเพื่อรับวิดีโอสุดท้าย ซึ่งเป็นบริการแบบเสียค่าใช้จ่ายเนื่องจากใช้ AI วิดีโอเป็นแกนหลัก
AxiomStory เป็นสตูดิโอเรื่องเล่าด้วย AI แห่งใหม่ที่อ่านทุกบทของต้นฉบับและชี้ข้อผิดพลาดด้านความต่อเนื่อง เช่น สีตาของตัวละครเปลี่ยนไประหว่างบท มันสร้างหน้าวิกิสำหรับตัวละครและสถานที่แต่ละแห่ง และใช้รูปลักษณ์และเสียงที่อนุมัติแล้วหนึ่งชุดต่อตัวละครแต่ละตัวซ้ำในภาพและวิดีโอที่สร้างขึ้น แผนฟรีให้ความช่วยเหลือด้วย AI ประมาณ 30,000 คำ แผนเสียเงินมีตั้งแต่ $16 ถึง $160 ต่อเดือน
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
Adobe ประกาศเครื่องมือ AI เชิงทดลองในงานประชุม Max ประจำปี ได้แก่ Project Screen Test สำหรับกำกับตัวละคร AI ผ่านการสนทนา, Project Sight Span สำหรับเปลี่ยนภาพแบนให้เป็นฉาก 3D ที่นำทางได้ และ Project Sound Bender สำหรับมิกซ์เอฟเฟกต์เสียงบนผืนผ้าเสียงสี่เหลี่ยม Project Rinse Repeat คัดลอกการแก้ไขและนำไปใช้กับวัตถุอื่นในภาพเดียวกันโดยใช้เครื่องมือ Photoshop แบบดั้งเดิม การ "sneaks" เหล่านี้เป็นการพรีวิวเทคโนโลยีที่อาจไปถึง Creative Cloud หรือ Firefly ในที่สุด โดยไม่มีการรับประกันว่าจะเปิดตัว
MBZUAI的基础模型研究所发布了PAN 2，这是一个29B参数的开源世界模型，接收场景加文本动作，并将结果模拟为视频，权重、训练代码和推理代码均以Apache 2.0许可发布。它将一个编写结构化JSON世界状态的LLM规划器与一个29B MMDiT扩散Transformer配对，后者以冻结的Qwen3.5-9B编码器为条件，IFM报告在100个多步骤任务上全计划完成率为34.0%，领先于MiniMax-H3的32.50%，但在单动作和人类偏好（Elo 1595对1620）上落后于MiniMax-H3。IFM的消融实验显示，移除LLM规划器会使全计划完成率降至0.0%，步骤完成率从75.1%降至8.7%。
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
ข้อกล่าวอ้างที่แพร่กระจายอย่างกว้างขวางว่า 55% ของโทเค็น AI ของจีนถูกใช้ไปกับละครสั้นและการสร้างวิดีโอ ซึ่ง traced ไปยังการประชุมนักลงทุนในเดือนมิถุนายนของ COL Group ได้รับการโต้แย้งจาก ByteDance ซึ่งระบุว่าการสร้างวิดีโอคิดเป็นเพียงประมาณ 10% ของพลังประมวลผลของบริษัทเอง และจาก People's Daily มากกว่า 90% ของละครสั้นขนาดเล็กประมาณ 430,000 เรื่องที่เผยแพร่ในช่วงแปดเดือนแรกของปี 2026 เป็นผลงานที่ผลิตด้วย AI และคลิป 720p ความยาวห้าวินาทีบน Seedance ของ ByteDance มีต้นทุนประมาณ 100,000 โทเค็น
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
สตูดิโอสร้างสรรค์ Afterimage ทดสอบ GPT-6 Astra กับฟุตเทจจากการถ่ายทำจริง เพื่อดูว่าทักษะ Blender 3D ของมันถ่ายทอดไปสู่งานวิชวลเอฟเฟกต์ได้หรือไม่ Astra จัดการงานตั้งแต่การเปลี่ยนจานในฉากแพนกล้องเคลื่อนที่ ไปจนถึงการเพิ่มอาคารลงในถนนบรุกลิน และทำให้ขบวนพาเหรดขนาดยักษ์ปรากฏขึ้นนอกหน้าต่างในฟุตเทจจากมือถือ iPhone บางช็อตได้ผล บางช็อตไม่ได้ แต่ทีมก็ลงเอยด้วยการฝันถึงเอฟเฟกต์ที่พวกเขาไม่เคยคิดจะลองมาก่อน
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