一个公开的AI制作角色：Claudia，十支Claude音乐视频的演唱者
一个名为Claudia的公开角色——一位留着黑色波波头、带黏土橙色挑染的AI流行歌手——在2026年9月至11月间出演了十支用Claude制作的音乐视频。此次发布公开了她的每一张图像、这些影片，以及你自己复现她所需的一切。这些视频使用Midjourney提示词、Seedance 2.5片段和Suno v6歌曲制作。
#视频
Hacker News · AIAI 评分4040 Hacker News · AIAI 评分2828 Show HN：由开发者打造的 Rick and Morty 解说视频生成器
一位开发者发布了一款 Show HN 工具，可将任意网站、文章或脚本转换成 Rick and Morty 风格的解说视频，包含对话、场景和动作。用户点击生成，将脚本转换为可审阅的分镜脚本，然后再次生成最终视频；由于底层使用 AI 视频，最终视频需付费。
Hacker News · AIAI 评分4040 AxiomStory：一个让角色和世界在文本、图像和视频中保持一致的 AI 故事工作室
AxiomStory 是一个新的 AI 故事工作室，它会阅读手稿的每一章并标记连续性问题，例如角色的眼睛颜色在不同章节之间发生变化。它为每个角色和地点建立维基页面，并在生成的图片和视频中为每个角色复用一套已获批准的造型和声音。免费计划提供约 30,000 字的 AI 帮助；付费套餐从每月 16 美元到 160 美元不等。
Recraft BlogAI 评分4242 MiniMax H3 Image、Highspeed 和 Lite 登陆 Recraft Studio
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。
The Verge · AIAI 评分3838 Adobe发布AI实验：将照片转为3D场景，还能采访角色
Adobe在其年度Max大会上宣布了多项实验性AI工具，包括通过对话指导AI角色的Project Screen Test、将平面图像转换为可导航3D场景的Project Sight Span，以及在方形声音画布上混合音效的Project Sound Bender。Project Rinse Repeat使用原生Photoshop工具复制编辑操作，并将其应用到同一照片中的其他对象上。这些“sneaks”属于技术预览，最终可能进入Creative Cloud或Firefly，但不保证一定发布。
MarkTechPostAI 评分6060 MBZUAI 的 IFM 发布 PAN 2，一个面向物理 AI 的开放 29B 世界模型
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，输入一个场景加一段文本动作，并以视频形式模拟结果，权重、训练代码和推理代码均以 Apache 2.0 许可开放。它将一个编写结构化 JSON 世界状态的 LLM 规划器，与一个由冻结的 Qwen3.5-9B 编码器条件化的 29B MMDiT 扩散 Transformer 配对；IFM 报告称，在 100 个多步任务上完整计划完成率为 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 规划器会使完整计划完成率降至 0.0%，步骤完成率从 75.1% 降至 8.7%。
Recraft BlogAI 评分5555 Gemini Omni Flash 1.2 登陆 Recraft Studio，角色更稳定、口型同步更清晰
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精选AI 评分7878 Google DeepMind 发布 Gemini Omni 1.2 Flash，支持 15 秒片段，价格降低 30%
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 Blog · AI精选AI 评分8080 Google 发布 Gemini Omni 1.2 Flash，支持 15 秒片段并降价 30%
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。
ChinaTalkAI 评分3838 中国一半的AI算力真的都花在垃圾内容上了吗？
一个广为流传的说法称，中国55%的AI token用于短剧和视频生成——该说法可追溯至COL集团6月的一次投资者电话会议——已遭到字节跳动和《人民日报》的反驳。字节跳动表示，视频生成仅占其自身算力的约10%。2026年前八个月发布的约43万部微短剧中，超过90%为AI制作，而在字节跳动的Seedance上生成一段五秒720p片段约需10万个token。
Modal BlogAI 评分3434 用 Modal GPU 增强你的 LiveKit Agent
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 ChangelogAI 评分2222 Descript 2026 年 10 月汇总：全盘搜索、异步录制请求和 ElevenLabs v4 语音克隆
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。
EveryAI 评分4242 Vibe Check：GPT-6 Astra 是独立电影人的突破吗？
创意工作室 Afterimage 用真实拍摄的素材测试了 GPT-6 Astra，看它的 Blender 3D 技能能否迁移到视觉特效工作中。Astra 处理的任务范围很广，从在移动摇镜中替换一个盘子，到在布鲁克林街景中添加一栋建筑，再到在手持 iPhone 拍摄的画面中让一个巨大的游行花车出现在窗外。有些镜头成功了，有些没有，但团队最终构想出了他们以前从未尝试过的特效。
Descript ChangelogAI 评分2020 Descript 2026 年 9 月 17 日版本更新汇总：字幕预设、AI 音乐与音效、多币种结账
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 Blog精选AI 评分8282 MiniMax 发布 H3：一款原生立体声 2K 通用多模态生成模型
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。
Modal BlogAI 评分3838 Runway 与 Modal 合作，为 Runway Characters 提供实时推理支持
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 Developers Blog精选AI 评分6767 OpenAI 更新 Sora 2 提示指南，新增角色参考、20 秒片段和视频延长功能
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。
Modal BlogAI 评分2222 Lemon Slice 如何用 Modal 和 Daily 构建实时生成式视频
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。
Modal BlogAI 评分2222 sync. 如何借助 Modal 每天对 100 小时视频进行唇形同步
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。