Một nhân vật mở tên Claudia, ca sĩ nhạc pop do AI tạo ra với mái tóc bob đen và một lọn màu cam đất, đứng đầu mười video âm nhạc được làm bằng Claude trong khoảng tháng 9 đến tháng 11 năm 2026. Bản phát hành công bố mọi hình ảnh của cô, các thước phim và mọi thứ cần thiết để tự tái tạo cô. Các video được dựng bằng prompt Midjourney, clip Seedance 2.5 và bài hát Suno v6.
Một lập trình viên đã ra mắt công cụ Show HN có thể biến bất kỳ trang web, bài viết hoặc kịch bản nào thành video giải thích theo phong cách Rick and Morty với hội thoại, cảnh quay và hành động. Người dùng nhấn tạo để chuyển kịch bản thành storyboard có thể xem lại, sau đó nhấn tạo lần nữa để có video cuối cùng; video cuối cùng là trả phí vì công cụ sử dụng AI video ở bên dưới.
AxiomStory là một studio kể chuyện AI mới, đọc từng chương của bản thảo và đánh dấu các lỗi liên tục, chẳng hạn như màu mắt của nhân vật thay đổi giữa các chương. Nó xây dựng một trang wiki cho mỗi nhân vật và địa điểm, đồng thời tái sử dụng một diện mạo và giọng nói đã được phê duyệt cho mỗi nhân vật trên các hình ảnh và video được tạo. Gói miễn phí cung cấp khoảng 30.000 từ hỗ trợ AI; các gói trả phí từ $16 đến $160 mỗi tháng.
Tuần này, dòng H3 của MiniMax đã mở rộng ra ngoài lĩnh vực video, với H3 Image, H3 Image Highspeed, H3 Highspeed và H3 Lite hiện đã có mặt trong Recraft Studio. Hai mô hình hình ảnh tạo và chỉnh sửa ở độ phân giải 2K hoặc 4K, trong khi hai mô hình video tạo các clip dài 4–15 giây ở 480p hoặc 768p kèm âm thanh. H3 Image khởi điểm từ 6 credit mỗi hình ảnh và H3 Lite từ 4 credit mỗi giây video.
Adobe đã công bố các công cụ AI thử nghiệm tại hội nghị Max thường niên, bao gồm Project Screen Test để đạo diễn nhân vật AI thông qua hội thoại, Project Sight Span để biến ảnh phẳng thành cảnh 3D có thể điều hướng, và Project Sound Bender để trộn hiệu ứng âm thanh trên một bảng âm thanh vuông. Project Rinse Repeat sao chép các chỉnh sửa và áp dụng chúng cho các đối tượng khác trong cùng bức ảnh bằng các công cụ gốc của Photoshop. Những "sneak" này là bản xem trước công nghệ có thể sẽ đến với Creative Cloud hoặc Firefly, nhưng không đảm bảo sẽ ra mắt.
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，后者由冻结的Qwen3.5-9B编码器条件化，IFM报告在100个多步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上落后于MiniMax-H3（Elo 1595对1620）。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, mô hình video mới nhất của Google, hiện đã có trong Recraft Studio, nơi các clip dài tối đa 10 giây với âm thanh gốc. So với 1.1, mô hình giữ nhân vật, sản phẩm và bối cảnh ổn định hơn xuyên suốt clip, tuân theo chỉ dẫn camera với ít cảnh cắt không mong muốn hơn, và tạo ra hội thoại khớp khẩu hình rõ nét hơn, kể cả các cảnh có nhiều người nói. Google phát hành mô hình này vào ngày 5 tháng 11 năm 2026, và lưu ý rằng mô hình vẫn còn gặp khó khăn với hành động thể thao nhanh, thay đổi kịch bản nhanh và vật lý phức tạp.
Google DeepMind đã ra mắt Gemini Omni 1.2 Flash, hiện đã được cung cấp rộng rãi trên Gemini API và Gemini for business, với khả năng tạo video gốc dài 15 giây, chỉnh sửa hội thoại nhiều lượt và tuân thủ tham chiếu tốt hơn. Giá giảm 30% so với Gemini Omni 1.1 xuống còn 0,07 USD mỗi giây cho video 720p, và người dùng có thể tạo bản nháp ở 360p hoặc 720p trước khi nâng cấp lên 1080p hoặc 4K. Clip có thể được đặt từ 3 đến 15 giây theo từng bước một giây, và đầu ra mang watermark SynthID không thể nhận biết.
Vì sao đáng chú ý: Gemini Omni 1.2 Flash nâng độ dài clip gốc lên 15 giây và giảm giá 30% xuống còn 0,07 USD mỗi giây video 720p, với tính năng chỉnh sửa hội thoại nhiều lượt hiện đã được cung cấp rộng rãi.
Google DeepMind đã ra mắt Gemini Omni 1.2 Flash và cung cấp rộng rãi trên Gemini API và Gemini for business. Mô hình tạo và chỉnh sửa clip gốc dài tối đa 15 giây, tăng từ 10 giây ở Omni 1.1, hỗ trợ chỉnh sửa hội thoại nhiều lượt và giữ tham chiếu nhân vật, sản phẩm và phong cách nhất quán hơn; video 720p hiện có giá 0,07 USD mỗi giây, thấp hơn 30% so với Omni 1.1. Đầu ra mang watermark SynthID và mô hình đang được triển khai trong Flow, Google Vids, ứng dụng Gemini và Google Ads.
Vì sao đáng chú ý: Gemini Omni 1.2 Flash giảm giá 30% xuống 0,07 USD mỗi giây cho video 720p đồng thời mở rộng clip gốc lên 15 giây, mang đến cho các nhóm sản xuất video quy mô lớn một lựa chọn rẻ hơn để so sánh với các phiên bản trước.
Một tuyên bố lan truyền mạnh cho rằng 55% token AI của Trung Quốc được dùng cho phim ngắn và tạo video — bắt nguồn từ một cuộc gọi nhà đầu tư vào tháng 6 của COL Group — đã vấp phải phản bác từ ByteDance, công ty nói rằng tạo video chỉ chiếm khoảng 10% năng lực tính toán của chính họ, và từ Nhân Dân Nhật Báo. Hơn 90% trong khoảng 430.000 phim vi mô phát hành trong tám tháng đầu năm 2026 là sản phẩm do AI tạo ra, và một clip 720p dài năm giây trên Seedance của ByteDance tốn khoảng 100.000 token.
Modal giải thích cách chạy LiveKit Agents với các mô hình open-weights hoặc tùy chỉnh trên GPU serverless của mình, sử dụng Expression Video Avatar open-weights của BitHuman với giọng đọc từ Qwen3-TTS để nhân bản Charles Frye. Thiết lập này mở endpoint /launch của container avatar thông qua một Modal Server và dùng Sticky Sessions để giữ các client WebSocket trên cùng một container, với GPU snapshots che giấu cold start.
Bản phát hành ngày 12 tháng 10 năm 2026 của Descript bổ sung thanh tìm kiếm trên toàn bộ drive của bạn, với trang kết quả đầy đủ và tính năng tìm tệp của Underlord. Các drive doanh nghiệp giờ đây có thể gửi yêu cầu ghi âm không đồng bộ để khách mời tự ghi theo lịch của họ, và AI Speech chuyển sang ElevenLabs v4 để nhân bản giọng nói chính xác hơn. Các gói trả phí cũng mặc định dùng MiniMax H3 Max Turbo để tạo video bằng AI.
Studio sáng tạo Afterimage đã thử nghiệm GPT-6 Astra trên các cảnh quay từ những buổi quay thực tế để xem liệu kỹ năng Blender 3D của nó có chuyển sang được công việc hiệu ứng hình ảnh hay không. Astra đã xử lý các tác vụ từ việc thay một chiếc đĩa trong một cú lia máy đang di chuyển đến việc thêm một tòa nhà vào một con phố ở Brooklyn và làm cho một chiếc xe diễu hành khổng lồ xuất hiện bên ngoài cửa sổ trong cảnh quay bằng iPhone cầm tay. Một số cảnh quay thành công và một số thì không, nhưng cuối cùng nhóm đã mơ ra những hiệu ứng mà trước đây họ chưa từng thử làm.
Bản phát hành ngày 17 tháng 9 năm 2026 của Descript bổ sung 18 cài đặt sẵn phụ đề và 10 hiệu ứng chữ động mới, cùng với nhạc nền và hiệu ứng âm thanh do AI tạo ra được đặt trực tiếp trên dòng thời gian trong phiên bản 145.0.15 trở lên. Thanh toán giờ đây hiển thị giá bằng tiền tệ địa phương với Apple Pay, Google Pay, Cash App và các tùy chọn khác, và trình chọn giọng nói sử dụng thư viện giọng nói ElevenLabs.
MiniMax đã ra mắt H3, một mô hình tạo đa phương thức tổng quát có khả năng hiểu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh thống nhất, đồng thời tạo video với âm thanh nổi gốc dài tối đa 15 giây ở độ phân giải 2K. Công ty cho biết chi phí đầu ra 2K thấp hơn một phần ba so với các mô hình chủ lưu tính theo giây, và dự kiến sẽ mở trọng số mô hình trong những ngày tới, tuân theo các luật và quy định hiện hành. H3 được xây dựng trên Contextual Omni Representation, H3-VAE, H3-Omni Transformer và In-Context Regeneration, và MiniMax cho biết báo cáo kỹ thuật đầy đủ sẽ sớm được công bố.
Vì sao đáng chú ý: H3 của MiniMax hợp nhất việc tạo văn bản, hình ảnh, video và âm thanh trong một mô hình và tuyên bố mức giá 2K thấp hơn một phần ba so với các mô hình chủ lưu, với trọng số được hứa hẹn sẽ sớm phát hành.
Runway đang hợp tác với Modal để cung cấp suy luận thời gian thực cho Runway Characters, một API tác nhân video thời gian thực được xây dựng trên mô hình thế giới GWM-1 của Runway, tạo ra các nhân vật kỹ thuật số biểu cảm từ một hình ảnh duy nhất mà không cần tinh chỉnh. Nền tảng serverless của Modal cho phép Runway chuyển từ bằng chứng khái niệm sang sản xuất trong vòng chưa đầy 30 ngày, sử dụng các cụm GPU đa nút một dòng lệnh với mạng RDMA trên mọi khu vực. Characters hiện đã có sẵn cho các nhà phát triển và doanh nghiệp tại dev.runwayml.com và cho người tiêu dùng tại runwayml.com.
OpenAI đã cập nhật hướng dẫn viết prompt cho Sora 2 để bao quát các khả năng API mới: tham chiếu nhân vật có thể tái sử dụng cho đồ vật và động vật, xuất 1920×1080 và 1080×1920, độ dài clip tối đa tăng từ 12 giây lên 20 giây, gia hạn video sử dụng toàn bộ clip gốc làm ngữ cảnh, và Batch API cho các tác vụ video bất đồng bộ. Hướng dẫn cũng trình bày cấu trúc prompt cho khung hình, chuyển động camera, ánh sáng và hội thoại, đồng thời lưu ý rằng độ phân giải, thời lượng và ID nhân vật phải được đặt làm tham số API thay vì mô tả bằng văn xuôi. Hỗ trợ gia hạn tối đa 20 giây, và một video có thể được gia hạn tối đa 6 lần với tổng cộng 120 giây.
Vì sao đáng chú ý: Hướng dẫn viết prompt Sora 2 được cập nhật của OpenAI trình bày chi tiết các khả năng API mới như tham chiếu nhân vật, clip 20 giây và gia hạn video, cùng các mẫu prompt có thể tái sử dụng để kiểm soát khung hình.
Lemon Slice đã xây dựng Lemon Slice Live, một sản phẩm cho các cuộc trò chuyện video thời gian thực với các nhân vật AI, sử dụng Modal và các primitive độ trễ thấp của Daily để đạt được độ trễ phản hồi video end-to-end từ 3-6 giây. Pipeline vận hành một máy chủ Pipecat và một mô hình video 1B tham số trên các container Modal riêng biệt giao tiếp qua Modal's Tunnel và được đặt cùng vị trí với lựa chọn khu vực, với Deepgram, Grok và ElevenLabs xử lý chuyển giọng nói thành văn bản, phản hồi LLM và chuyển văn bản thành giọng nói. Trước đó, hai Python Modal Functions đã cho phép Lemon Slice mở rộng lên 10.000 yêu cầu mỗi giờ mà không cần quản lý cụm ECS, hàng đợi công việc hay bộ cân bằng tải.
sync. đang sử dụng Modal để lipsync hơn 100 giờ video mỗi ngày, chia video dài thành các cảnh để chạy nhận diện khuôn mặt và dịch trên n container GPU T4 trước khi chuyển từng cảnh đến mô hình LipSync GenAI độc quyền của mình trên A100. Nhóm triển khai tới 95 lần mỗi ngày và đưa 10 biến thể mô hình chính vào production trong một năm, sau khi chuyển khỏi nguyên mẫu Google Colab và AWS Lambda.