MiniMax 的 H3 系列本週從影片延伸，H3 Image、H3 Image Highspeed、H3 Highspeed 與 H3 Lite 現已在 Recraft Studio 上線。兩款圖像模型以 2K 或 4K 生成與編輯，兩款影片模型則以 480p 或 768p 產出 4–15 秒、帶聲音的片段。H3 Image 每張圖起價 6 credits，H3 Lite 每秒影片起價 4 credits。
Google 最新的影片模型 Gemini Omni Flash 1.2 現已在 Recraft Studio 上線，可生成最長 10 秒、帶原生音訊的片段。與 1.1 相比，它在單一片段中能讓角色、產品與場景保持得更穩定，更遵循鏡頭指令、減少多餘剪接，並生成更清晰的唇形同步對白，包括多人同時說話的場景。Google 於 2026 年 11 月 5 日發布該模型，並指出它在快速體育動作、快速腳本變化和複雜物理方面仍有困難。
Google DeepMind 推出 Gemini Omni 1.2 Flash，現已在 Gemini API 與 Gemini for business 全面開放，具備原生 15 秒影片生成、多輪對話式編輯與更強的參考遵循能力。價格較 Gemini Omni 1.1 下降 30%，720p 影片為每秒 0.07 美元，使用者可先以 360p 或 720p 草擬，再升頻至 1080p 或 4K。短片長度可設定為 3 至 15 秒，以一秒為單位遞增，輸出帶有不可察覺的 SynthID 浮水印。
推薦理由：Gemini Omni 1.2 Flash 將原生短片長度提升至 15 秒，並將 720p 影片價格降低 30% 至每秒 0.07 美元，多輪對話式編輯現已全面開放。
Google DeepMind 推出 Gemini Omni 1.2 Flash，並在 Gemini API 與 Gemini for business 全面開放使用。該模型可生成與編輯原生片段，最長達 15 秒，高於 Omni 1.1 的 10 秒，支援多輪對話式編輯，並能更一致地維持角色、產品與風格參照；720p 影片現在每秒收費 0.07 美元，比 Omni 1.1 便宜 30%。輸出內容帶有 SynthID 浮水印，該模型正陸續在 Flow、Google Vids、Gemini 應用程式與 Google Ads 中推出。
推薦理由：Gemini Omni 1.2 Flash 將 720p 影片價格調降 30% 至每秒 0.07 美元，同時把原生片段延長至 15 秒，讓大規模製作影片的團隊多了一個更便宜的選項，可與先前版本比較。
Modal 說明如何在其無伺服器 GPU 上，以開放權重或自訂模型執行 LiveKit Agents，並使用 BitHuman 的開放權重 Expression Video Avatar，搭配 Qwen3-TTS 配音來複製 Charles Frye。此設定透過 Modal Server 對外開放 avatar 容器的 /launch 端點，並使用 Sticky Sessions 讓 WebSocket 用戶端維持在同一個容器上，同時以 GPU 快照隱藏冷啟動。
Descript 於 2026 年 10 月 12 日發布的版本新增了涵蓋整個硬碟的搜尋列，並提供完整結果頁面與 Underlord 檔案尋找功能。企業版硬碟現在可以發送非同步錄音請求，讓嘉賓按自己的時間安排錄音；AI Speech 則改用 ElevenLabs v4，以獲得更準確的聲音克隆。付費方案也預設使用 MiniMax H3 Max Turbo 進行 AI 影片生成。
Descript 2026 年 9 月 17 日的更新新增 18 種字幕預設與 10 種全新文字動畫，並在 145.0.15 或更新版本中，將 AI 生成的背景音樂與音效直接放置於時間軸上。結帳功能現在會以當地貨幣顯示價格，並支援 Apple Pay、Google Pay、Cash App 及其他選項，語音選擇器則取自 ElevenLabs 語音庫。
MiniMax 推出 H3，這是一款通用多模態生成模型，能將文字、圖像、影片與音訊理解為統一的上下文，並生成最高 15 秒、2K 解析度且帶原生立體聲的影片。該公司表示，2K 輸出的每秒成本不到主流模型的三分之一，並計劃在未來幾天內依適用法規開放模型權重。H3 建構於 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 與 In-Context Regeneration 之上，MiniMax 表示完整技術報告即將發布。
推薦理由：MiniMax 的 H3 將文字、圖像、影片與音訊生成統一到一個模型中，並聲稱 2K 定價低於主流模型的三分之一，權重也承諾很快開放。
Runway 正與 Modal 合作，為 Runway Characters 提供即時推論能力。Runway Characters 是一套即時影片代理 API，建構於 Runway 的 GWM-1 世界模型之上，能從單一影像生成富有表現力的數位人物，且無需任何微調。Modal 的無伺服器平台讓 Runway 在不到 30 天內從概念驗證推進到正式上線，並在每個區域使用具備 RDMA 網路的單行多節點 GPU 叢集。Characters 現已於 dev.runwayml.com 向開發者與企業開放，並於 runwayml.com 向一般消費者提供。
OpenAI 更新了 Sora 2 提示指南，涵蓋新的 API 功能：可重複使用的物件與動物角色參考、1920×1080 與 1080×1920 匯出、最長片段長度從 12 秒提高到 20 秒、以完整原始片段作為脈絡的影片延長，以及用於非同步影片任務的 Batch API。該指南也說明鏡頭取景、攝影機運動、光線與對話的提示結構，並指出解析度、時長與角色 ID 必須設為 API 參數，而非以文字描述。支援最多 20 秒的延長，且一支影片最多可延長 6 次，總計 120 秒。
推薦理由：OpenAI 更新的 Sora 2 提示指南詳述了角色參考、20 秒片段與影片延長等新 API 功能，以及可用於控制鏡頭的可重複使用提示範本。
Lemon Slice 打造了 Lemon Slice Live，這是一款能與 AI 角色進行即時視訊對話的產品，運用 Modal 和 Daily 的低延遲基礎元件，達到端到端視訊回應延遲 3-6 秒。此管線在各自獨立的 Modal 容器上執行 Pipecat 伺服器與 1B 參數的影片模型，兩者透過 Modal 的 Tunnel 通訊，並藉由區域選擇機制部署在同一區域；語音轉文字、LLM 回應與文字轉語音則分別由 Deepgram、Grok 和 ElevenLabs 處理。更早之前，兩個 Python Modal Functions 讓 Lemon Slice 得以擴展到每小時 10,000 次請求，而無需管理 ECS 叢集、工作佇列或負載平衡器。
sync. 正運用 Modal 每天對超過 100 小時的影片進行唇形同步，將長影片切割成多個場景，在 n 個 T4 GPU 容器上執行人臉偵測與翻譯，再將每個場景交由 A100 上專有的 LipSync GenAI 模型處理。該團隊每天部署多達 95 次，並在脫離 Google Colab 原型與 AWS Lambda 後，於一年內將 10 個主要模型變體推上正式環境。