搜索“视频”

ElevenLabs MCP新增多媒体生成

2026年9月14日,ElevenLabs 扩展其 MCP 连接器的能力,新增语音、音乐、图像及视频生成。据 ElevenLabs Blog 同日发布的信息,用户通过一次安装和 OAuth 登录,即可在 Claude、ChatGPT、Cursor、Grokbot、Hermes 等助手中生成语音、转录、配音、音乐、音效、图像和视频,所有产出进入 ElevenCreative 工作区。该连接器调用超过 50 个模型,无需自建服务器或管理 API 密钥,且与驱动 ElevenLabs Agents 的 MCP 为同一个,已连接过的团队无需额外设置。工作区管理员可决定连接可调用的工具,数据驻留地在连接时选择。目前尚无后续发展事实。

Vimeo扩展多语言自动配音

2026年1月以来,Vimeo客户已通过AI为超过2.5万个视频完成约140万分钟配音,超过27%的企业账户尝试过该功能,平均每个视频覆盖3.3种目标语言。9月7日,Vimeo进一步集成ElevenLabs Dubbing,将转录、翻译、声音克隆和语音合成整合为单一流程,支持40种目标语言。创作者可编辑文本轨道,并在发布前检查和调整配音结果。

微软推进Copilot自主执行复杂任务

2026年9月7日,微软宣布将新模型引入Copilot,扩展其自主执行能力。Copilot可处理快速问答、委派任务,并通过Autopilots持续完成数小时或数天的复杂工作。微软展示的案例中,一个由Opal驱动、运行于安全Windows 365 Cloud PC的Autopilot分析了一个月的野外相机视频,识别并标注动物影像,制作精选视频、表格和PowerPoint,随后通过Teams分享结果。

Runway发布界面世界模型Solaris

2026年9月1日,Runway发布名为Solaris的界面世界模型,称其为首个Interface World Model,可逐帧实时生成界面本身,无需先转成代码等中间表示。该模型基于Gen-4.5视频生成模型改造,通过自回归逐帧生成、少步蒸馏和自训练实现实时交互,并支持720p画质。在250名参与者、30个交互示例的对比中,Solaris在指令遵循上获61%偏好,在场景自然度上获71%偏好,对手为Claude Opus 5生成的编码界面。Runway表示正与合作伙伴推进公开发布,并开放早期访问申请。

谷歌发布Gemini Omni 1.1 Flash

2026年8月27日,Google DeepMind 发布 Gemini Omni 1.1 Flash 视频生成模型,面向开发者提供更强的生成视频控制能力,可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 调用。官方说明显示,新版本支持场景延长,可分析最多 10 秒前序上下文,并以 10 秒为单位延长至累计 40 秒;同时支持指定首尾帧生成过渡画面、1080p 与 4K 输出,以及 360p 轻量预览。官方还称其生成速度最高快 60%,成本为 720p 的三分之一。目前该事实尚无后续独立发展事实,状态以发布时的官方信息为准。

Meta发布Muse Glimmer 30B开放权重模型

2026年8月10日,Meta发布Muse Glimmer 30B开放权重稠密模型,面向本地AI智能体工作负载。据Hugging Face介绍,该模型由2B视觉编码器和28B文本解码器组成,支持图像、无音频视频、多模态工具调用和目标检测,并获得Transformers、llama.cpp及vLLM支持。NVIDIA方面称其上下文窗口120K+,可完整放入单卡显存,覆盖GeForce RTX 5090、DGX Spark、DGX Station和Jetson平台,权重已上线Hugging Face。同日,LMSYS宣布与Meta Superintelligence Labs合作,为Muse Glimmer在SGLang上提供Day-0支持,并针对本地智能体工作流推理优化。8月13日,Unsloth宣布可免费微调该模型,其notebook同时支持GRPO RL训练。

Unsloth发布桌面应用并实测2-bit模型

2026年8月11日,Unsloth发布Unsloth Desktop,称其为首个可在本地运行和训练模型的桌面应用,已上线官网和GitHub。该应用开源,支持Mac、Windows和Linux,覆盖MLX、扩散图像/视频、音频、GGUF,可将Claude Code和Codex接入本地LLM,并支持CPU与多GPU环境(NVIDIA、AMD、Intel、Mac)。官方称训练速度提升2倍、显存占用减少70%,工具调用准确率提高50%并支持自愈与沙箱化代码执行,同时提供私有网页搜索、深度研究、RAG、MCP以及NVFP4、GGUF导出。次日,Unsloth公布2-bit NVIDIA Nemotron 3.5 Lightning工具调用实测结果:仅用22GB显存连续运行10分钟工具调用,引用80多个网站,执行了代码,并搜索了10个真实地点,可通过Unsloth Desktop运行和训练。

腾讯混元发布Hy3D WorldClaw

2026年8月11日,腾讯混元推出名为Hy3D WorldClaw的智能体工作流,可从文本提示词生成大规模3D开放世界。官方说明称,该成果既不是视频,也不是Gaussian Splatting,每个场景都可自由探索,且完全由可编辑、可直接用于游戏的3D资产构建,具备高质量几何与纹理。官方同时给出了项目页面链接。目前公开信息仅涉及发布本身,尚无后续进展披露。

星海图展示纯视觉机器人折箱

2026年8月7日,星海图 Galaxea 展示了一台折叠纸箱的机器人。该机器人仅依靠视觉完成操作,未使用触觉传感器或力/力矩传感器;演示全程实时运行,视频没有加速。目前输入材料仅提供了此次能力展示,未披露机器人型号、技术细节或后续应用计划。

Amp新增任意文件上传功能

2026年8月4日,Amp发布Attach Anything功能,用户可上传视频、日志、PDF、表格、数据集等任意文件到orbs,供Amp查看和使用。官方列举的用例包括屏幕录制修复应用、日志调试、将演示文稿和表格转为交互式网站、从媒体输入生成视频和CAD文件、转录音视频等。

Black Forest Labs发布FLUX 3多模态模型

2026年7月20日,Black Forest Labs发布多模态基础模型FLUX 3并开启早期访问。该模型基于Self-Flow在统一架构中同时学习图像、视频和音频,可单次生成最长20秒带原生音频的视频,支持文生视频、图生视频、视频生视频、关键帧过渡和多语言对话等能力。官方称早期评测结果仍属初步,后续将陆续开放FLUX 3 Video、FLUX 3 Image的API与私有权重,以及FLUX 3 Dev的开源权重。2026年8月4日,Black Forest Labs宣布FLUX 3 Video的初版文生视频与图生视频能力即日起通过BFL API和部分合作方开放,可生成最长20秒的HD视频,支持Full HD放大输出与原生音频,并提供Draft Mode。官方称后续将推出FLUX 3 Image与开放权重版本FLUX 3 Dev。

Google重构AI搜索入口

2026年5月20日,Google在I/O开发者大会上宣布重新设计沿用25年的搜索框,将其从关键词输入框改为可接受文本、图片、PDF、视频和Chrome标签页的多模态对话入口,并立即在支持AI Mode的所有国家和地区上线。Google同时把AI Overviews与AI Mode合并为一条连续搜索流程,用户可在传统结果页直接追问,无需切换界面。新体验由Gemini 3.5 Flash驱动。Google称AI Mode上线一年月活已超10亿,AI Overviews月活超25亿。目前尚无后续有证据的发展。

Hermes Agent接入Grok订阅

2026年5月15日,xAI宣布即日起可在Nous Research的开源自我改进智能体Hermes Agent中直接使用Grok订阅。接入后,用户可用Grok 4.3进行文本对话与高级推理,用Grok Text-to-Speech生成语音回复,用Grok Imagine生成图像和视频,所有订阅档位均可使用。Hermes Agent可持久运行在任意电脑、沙箱或VPS上,跨会话建立长期记忆,并能连接WhatsApp、Discord、Telegram、Signal等消息平台。用户通过hermes model选择xAI Grok OAuth并浏览器登录即可启用。目前该消息由xAI官方发布,尚无后续发展事实。

xAI发布Grok Imagine API

2026年1月28日,xAI发布Grok Imagine API,将视频生成与视频编辑能力打包为面向端到端创作流程的API组合。据官方介绍,Grok Imagine是xAI目前最强的视频音频生成模型。该API支持从文本或图像生成视频,并支持增删替换物体、场景与物体控制、风格重绘等编辑操作,同时支持竖屏、横屏等比例与灵活片段长度。官方称其在延迟、并发和成本上做了优化,并已在合作方平台与自家API上线,同时提供SDK、教程和可视化控制台。目前尚无进一步有证据支持的发展。

Sora 2上线并完善角色授权

2025年10月1日,OpenAI推出Sora 2模型及全新的Sora视频应用,用户可创建、分享和观看视频。应用提供cameo功能,可将本人及朋友放入视频,并改善角色一致性;团队同时设置肖像滥用、深度伪造及非法内容防护,并计划持续调整信息流控制与用户福祉相关设计。10月4日,OpenAI宣布将进一步提供更细粒度的角色生成控制,并探索向允许用户生成其角色的权利人分享收入。具体分成模式尚未确定,将通过试验逐步完善;相关做法计划先在Sora中迭代,再一致应用于旗下产品。

Runway发布Act-One角色表演工具

2024年10月23日,Runway发布名为Act-One的新工具,用于在Gen-3 Alpha中生成角色表演。据官方介绍,该工具以视频和声音表演作为输入,无需额外设备,能够保留真实面部表情,并把表演迁移到与原视频比例不同的角色上,同时在不同机位下保持稳定的面部动画。Act-One现已面向Gen-3 Alpha开放,并配套公众人物内容拦截、Custom Voices声音授权核验等审核措施。

Suno推出Audio Input音频生成功能

2024年6月12日,Suno发布Audio Input功能,面向Pro与Premier用户开放。用户可上传或录制自己的音频,用于生成歌曲。根据Suno博客介绍,音频或视频片段时长需在6至60秒之间;上传后可在Extend中设定起始时间、风格,并可加入自己的歌词。目前该功能仅限Pro与Premier用户使用,普通用户是否开放尚无进一步信息。

ElevenLabs MCP新增多媒体生成

ElevenLabs 扩展 MCP语音、音乐、图像及视频生成能力

查看事件：ElevenLabs MCP新增多媒体生成

Google面向AI订阅用户推出Gemini语音新能力

Google 面向 Google AI 订阅用户推出新的 Gemini 语音能力。用户可通过对话搜索 Gmail 收件箱、在 Keep 中整理想法和任务,以及创建新的 Docs。Sundar Pichai 特别提到 Docs Live 会比较实用,并附上演示视频和了解更多信息的链接。目前尚无后续发展事实。

Black Forest Labs 推出 FLUX Video Upscale

2026年8月21日,Black Forest Labs 推出 FLUX Video Upscale,作为独立的 FLUX Tool 和 endpoint。据其官方博客,该工具可把 480p 起的视频重新生成到最高原生 4K,并能修复生成视频中模糊人脸、水面和草地纹理上的网格伪影。它提供 Precise 和 Creative 两种模式:Precise 为 4 步、$0.07/mp/s;Creative 为 8 步、$0.10/mp/s,后者修复和细节更强但可能改变人物身份。upscale_factor 支持 1.5x、2x 和 3x,从 hd 输入大致对应 1080p、2K 和 4K,可通过 BFL API 和 playground 使用。目前尚无后续发展事实。