MiniMax 的 H3 系列本周从视频扩展到更多领域，H3 Image、H3 Image Highspeed、H3 Highspeed 和 H3 Lite 现已在 Recraft Studio 上线。两个图像模型支持 2K 或 4K 的生成与编辑，两个视频模型可生成 4–15 秒、480p 或 768p 的带声音片段。H3 Image 每张图起价 6 credits，H3 Lite 每秒视频起价 4 credits。
Google 最新的视频模型 Gemini Omni Flash 1.2 现已在 Recraft Studio 上线，可生成最长 10 秒、带原生音频的片段。与 1.1 相比，它在单个片段中能更稳定地保持人物、产品和场景的一致性，更准确地遵循镜头指令、减少不必要的剪辑，并能生成更清晰的口型同步对话，包括多人对话场景。Google 于 2026 年 11 月 5 日发布该模型，并指出它在快速体育动作、快速脚本变化和复杂物理效果方面仍存在不足。
Google DeepMind 推出 Gemini Omni 1.2 Flash，现已在 Gemini API 和 Gemini for business 中全面可用，支持原生 15 秒视频生成、多轮对话式编辑和更强的参考遵循能力。价格较 Gemini Omni 1.1 下降 30%，720p 视频为每秒 0.07 美元，用户可先以 360p 或 720p 草稿生成，再升级至 1080p 或 4K。片段时长可在 3 至 15 秒之间以一秒为增量设置，输出内容带有不可感知的 SynthID 水印。
推荐理由：Gemini Omni 1.2 Flash 将原生片段时长提升至 15 秒，并将 720p 视频价格降低 30% 至每秒 0.07 美元，多轮对话式编辑现已全面可用。
Google DeepMind 推出 Gemini Omni 1.2 Flash，并在 Gemini API 和 Gemini for business 中全面开放。该模型可生成和编辑最长 15 秒的原生片段（Omni 1.1 为 10 秒），支持多轮对话式编辑，并能更一致地保持角色、产品和风格参考；720p 视频现价为每秒 0.07 美元，比 Omni 1.1 低 30%。输出内容带有 SynthID 水印，该模型正在 Flow、Google Vids、Gemini 应用和 Google Ads 中逐步推出。
推荐理由：Gemini Omni 1.2 Flash 将 720p 视频价格降低 30% 至每秒 0.07 美元，同时将原生片段延长至 15 秒，为大规模制作视频的团队提供了一个可与先前版本比较的更便宜选择。
Modal 介绍了如何在其无服务器 GPU 上使用开放权重或自定义模型运行 LiveKit Agents，并以 BitHuman 的开放权重 Expression Video Avatar 为例，由 Qwen3-TTS 配音来克隆 Charles Frye。该方案通过 Modal Server 暴露 avatar 容器的 /launch 端点，并使用 Sticky Sessions 让 WebSocket 客户端保持在同一容器上，同时用 GPU 快照隐藏冷启动。
Descript 于 2026 年 10 月 12 日发布的版本新增了覆盖整个云盘的搜索栏，配有完整的结果页面和 Underlord 文件查找功能。企业版云盘现在可以发送异步录制请求，让嘉宾按自己的时间安排录制；AI Speech 迁移至 ElevenLabs v4，语音克隆更准确。付费方案还默认使用 MiniMax H3 Max Turbo 进行 AI 视频生成。
Descript 于 2026 年 9 月 17 日发布的更新新增 18 种字幕预设和 10 种新文字动画，并在 145.0.15 或更高版本中支持将 AI 生成的背景音乐和音效直接放置到时间线上。结账页面现在以本地货币显示价格，并支持 Apple Pay、Google Pay、Cash App 等支付方式，语音选择器则接入了 ElevenLabs 语音库。
MiniMax 发布了 H3，这是一款通用多模态生成模型，可将文本、图像、视频和音频理解为统一上下文，并生成最高 15 秒、2K 分辨率且带原生立体声的视频。该公司称，2K 输出的每秒成本不到主流模型的三分之一，并计划在符合适用法律法规的前提下于未来几天开放模型权重。H3 基于 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 构建，MiniMax 表示完整技术报告即将发布。
推荐理由：MiniMax 的 H3 将文本、图像、视频和音频生成统一在一个模型中，并声称 2K 定价低于主流模型的三分之一，同时承诺很快开放权重。
Runway 正与 Modal 合作，为 Runway Characters 提供实时推理支持。Runway Characters 是一个基于 Runway 的 GWM-1 世界模型构建的实时视频智能体 API，能够仅凭一张图片、无需任何微调即可生成富有表现力的数字角色。Modal 的无服务器平台让 Runway 在不到 30 天内从概念验证推进到生产环境，并在所有区域使用具备 RDMA 网络的单行多节点 GPU 集群。Characters 现已面向开发者和企业开放，网址为 dev.runwayml.com；面向消费者的网址为 runwayml.com。
OpenAI 更新了其 Sora 2 提示指南，以涵盖新的 API 能力：可复用的角色参考（适用于物体和动物）、1920×1080 和 1080×1920 导出、最大片段长度从 12 秒提升至 20 秒、使用完整原始片段作为上下文的视频延长，以及用于异步视频任务的 Batch API。该指南还详细介绍了镜头取景、摄像机运动、灯光和对话的提示结构，并指出分辨率、时长和角色 ID 必须作为 API 参数设置，而不是在文本描述中说明。支持最长 20 秒的延长，且一个视频最多可延长 6 次，总计 120 秒。
推荐理由：OpenAI 更新的 Sora 2 提示指南详细介绍了新的 API 能力，如角色参考、20 秒片段和视频延长，以及用于控制镜头的可复用提示模板。
Lemon Slice 构建了 Lemon Slice Live，这是一款用于与 AI 角色进行实时视频对话的产品，使用 Modal 和 Daily 的低延迟原语，实现端到端视频响应延迟 3-6 秒。该流水线在独立的 Modal 容器上运行 Pipecat 服务器和一个 10 亿参数的视频模型，这些容器通过 Modal 的 Tunnel 通信，并通过区域选择实现同地部署，由 Deepgram、Grok 和 ElevenLabs 负责语音转文本、LLM 响应和文本转语音。此前，两个 Python Modal Functions 让 Lemon Slice 扩展到每小时 10,000 次请求，而无需管理 ECS 集群、作业队列或负载均衡器。
sync. 正利用 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，再将每个场景交给其基于 A100 的专有 LipSync GenAI 模型处理。该团队每天部署多达 95 次，并在一年内将 10 个主要模型变体投入生产，此前他们从 Google Colab 原型和 AWS Lambda 迁移而来。