Astra 渲染视频时自动配上史诗音乐
作者正在让 Astra 渲染一段视频，过程中自动播放起史诗风格的音乐，但他不知道音乐是从哪里来的，索性就让它继续跑下去。
匹配字段标题、摘要
←搜索结果
搜索“视频”
Gemini 3.7 Flash 推出智能体视频理解能力，可自动调整处理速度
Google AI Developers 宣布 Gemini 3.7 Flash 上线新的智能体视频理解能力，可自动调整处理速度，从而准确识别并计数快速动作，例如拍手。该能力已支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite，今天起可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 上传视频或使用 YouTube 视频。
匹配字段标题、摘要
Gemini 3.7 Flash 等三款模型上线智能体视频理解能力
Google 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解能力，即日起可通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 上处理上传视频和 YouTube 视频。官方演示中，Gemini 3.7 Flash 借助该能力自动调整处理速度，准确识别并数清快速拍手动作；此前静态处理默认以 1 FPS 抽帧，拍手这类瞬间动作容易被漏掉或误判为响指、点击。
匹配字段标题、摘要
Gemini 视频理解引入智能体模式，长视频 token 最多减少 88%
Gemini 的视频理解改为智能体式处理，模型可自行浏览视频时间线、决定看哪些片段、选择帧率，并判断是否需要语音转录、音频或视觉帧来回答提示词。官方称长视频最多减少 88% 的 token 和 66% 的成本，基准准确率提升约 7%。启用方式是在 video 上设置 processing="agentic"，2 分钟以内的视频仍用 static；该功能已在 Gemini API 和 Google AI Studio 上线，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash Lite。
匹配字段标题、摘要
Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解功能
Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出智能体视频理解功能，模型可动态扫描视频片段，token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。该功能已在 Google AI Studio 和 Gemini Enterprise Agent Platform 的 Gemini API 中上线，支持视频上传和 YouTube 视频，按标准 token 计费且不额外收费。相比固定 1 FPS 的静态处理，它结合模型推理与原生视频工具，按需检索画面、音频和转录文本，后续还将接入 Gemini 应用和 YouTube 的 Ask YouTube 功能。
匹配字段标题、摘要
蚂蚁灵波 Zero-WAM：机器人从人类视频学新任务
机器人能直接从人类操作视频中学习新任务吗？✅ 认识 Zero-WAM：面向机器人学的基于视频的上下文学习。无需大量重训练，无需冗长文本指令。给定人类演示视频，它能推断物体、交互与任务流程，生成机器人可执行的动作。 - HumanGen 数据集：8.6K 任务 / 74.2K 人-机器人样本 - IFP 训练用于长时程视频任务理解 - 在 7 个未见过的 RoboTwin 2.0 任务上平均成功率 46.95% 论文已发布，代码即将开源。
匹配字段标题、摘要
Gemini Omni 1.1 Flash 上线 ComfyUI：支持 4K 输出与对话式视频编辑
Gemini Omni 1.1 Flash 通过 Partner Nodes 在 ComfyUI 上线，可在 Gemini Video Omni 节点中选择该模型，支持文生视频、图生视频、参考生视频、视频编辑和场景延展，分辨率覆盖 360p 到 4K，每段视频自带生成音轨。该模型原生多模态处理文本、图像、音频和视频，支持用自然语言描述修改并保留画面其余部分，编辑结果可叠加，场景延展会延续原有运动、角色身份和光照。节点提供提示词、分辨率、宽高比、任务类型选择以及可选的图像和视频输入，更新 ComfyUI 至最新版本或使用 Comfy Cloud 即可使用。
匹配字段标题、摘要
谢赛宁：RAE 扩展到视频，V-RAE 发布
很高兴看到 RAE 扩展到视频！
匹配字段标题、摘要
Wan 3.0 上线 ComfyUI：原生 30 秒视频与 Omni-Reference 控制
阿里最新视频生成模型 Wan 3.0 已在 ComfyUI 上线，支持单次生成最长 30 秒视频，无需拼接。提示词输入上限扩至 20,000 字符，参考素材最多 20 个，包括 10 张图片、5 段视频、5 段音频和一个文件或 URL，并可通过 @Image1、@Video2 等 @ 语法在提示词中指定用途。模型支持按指令编辑已有视频，如移除或替换元素、重新打光、改变运动，也可延长现有素材，输入加输出总长不超过 30 秒。用户需将 ComfyUI 更新至 v0.33.4 或使用 Comfy Cloud，通过节点库或模板面板调用。
匹配字段标题、摘要
腾讯混元 HyCreator：长视频生成智能体框架
用于视频生成的 Hy Agent Harness。 HyCreator：面向长视频生成的智能体框架 🚀 端到端自动模式 ⏲️ 零人工干预生成 10 分钟量级的影片 👨🦰 可随时切换到实时交互式编辑 申请早期访问：https://t.co/r9yeuVofGI
匹配字段标题、摘要
Runway 用 SeedDance 2.5 三个提示词生成视频
我在 @runwayml 里用 SeedDance 2.5 只花了 3 个提示词就做出了这个。 AI 视频在这么短时间内的飞跃简直太疯狂了！
匹配字段标题、摘要
NVIDIA JetPack 7.2.1 新增智能体视频技能与 T3000 模拟
NVIDIA JetPack 7.2.1 首次在 Jetson 上支持 PyNvVideoCodec 2.2，这是用于 GPU 硬件加速视频编解码的 Python 库，帧以 GPU 设备内存形式通过 DLPack 和 CUDA 缓冲区暴露，并支持多模式帧采样与后台线程预解码的 ThreadedDecoder。该版本还通过统一的 jetson-videosdk 技能引入基础智能体视频工作流，可在 Video Codec SDK 与 PyNvVideoCodec 之上完成设备检查、配置生成、执行与性能测量验证。此版本技能仅覆盖 Video Codec SDK 和 PyNvVideoCodec，不含 GStreamer、V4L2 或 AI 模型层面的流水线构建技能。
匹配字段标题、摘要
Google 将 AMIE 推进到实时视频问诊，随机研究显示达到专家级水平
Google Research 发布 AMIE (Video)，基于 Gemini 和 Project Astra 实现实时视频临床问诊，可感知非语言线索、引导虚拟体格检查并同步进行诊断推理。研究采用异步多智能体架构，由三个专职智能体并行处理对话、推理与视听感知，以维持自然对话延迟。在 100 个场景、300 次实时问诊、30 名认证初级保健医生参与的随机 OSCE 研究中，临床评估者在病史采集、诊断准确性和沟通质量上给 AMIE (Video) 的评分与初级保健医生相当，在引导体格检查方面显著更高；患者演员更偏好视频界面。研究全部使用专业患者演员模拟场景，尚未在真实患者中验证。
匹配字段标题、摘要
Black Forest Labs 开放 FLUX 3 Video 文生视频与图生视频能力
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，并支持 Full HD 放大输出与原生音频。该模型支持多镜头切换、关键帧、视频续写、多语言对白与唇形同步，并提供低成本快速预览的 Draft Mode。官方称内部评测中文生视频明显优于现有 SOTA 模型，图生视频与 Seedance 2.0 持平；后续将推出 FLUX 3 Image 与开放权重版本 FLUX 3 Dev。
匹配字段标题、摘要
Andrej Karpathy：用程序化代码控制分镜，再以视频到视频模型塑造质感与观感
Andrej Karpathy 赞同用程序化代码完成故事板设计与控制，再通过视频到视频模型处理纹理并优化视觉效果。
匹配字段标题、摘要
MiniMax 发布多模态生成模型 H3，支持 2K 视频与原生立体声
MiniMax 发布通用多模态生成模型 H3，可理解文本、图像、视频和音频组成的统一上下文，生成带原生立体声的视频，最长 15 秒、2K 分辨率。官方称 2K 下每秒价格不到主流模型的三分之一，768p 价格不到主流模型 720p 的一半，并计划在近日开放模型权重。H3 采用 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术，官方表示完整技术报告即将发布。
匹配字段标题、摘要
xAI 为 Imagine Video 1.5 加入图像与声音参考、文生视频和原生 1080p
xAI 为视频模型 Imagine Video 1.5 新增图像参考、声音参考、纯文本生成视频和原生 1080p 生成，图像与声音参考先在美国面向 SuperGrok Heavy 和 SuperGrok Plus 开放，随后数天覆盖全部档位。每次生成最多可传入七个参考图，用于锁定人脸、产品或场景，配合声音参考可在不同镜头中保持同一张脸和同一个声音。图像参考、文生视频和原生 1080p 已在 xAI API 上线，模型名为 grok-imagine-video-1.5，声音参考需申请开通。
匹配字段标题、摘要
Black Forest Labs 发布 FLUX 3，视频生成骨干被用于机器人控制
Black Forest Labs 发布多模态基础模型 FLUX 3，在单一架构中联合学习图像、视频和音频，可单次生成最长 20 秒带音频视频，支持文本、图像或视频输入。其视频骨干被 mimic 用于 FLUX-mimic 机器人控制系统，在软体 kitting 任务上报告 95% 成功率，高于同数据训练的 π0.5 的 55%；冻结骨干时仍具竞争力。FLUX 3 Video 已开放早期访问，图像生成与编辑随后推出，动作预测通过合作方提供，并计划发布开放权重版本。
匹配字段标题、摘要
Black Forest Labs 与 mimic 推出基于 FLUX 3 的视频-动作模型 FLUX-mimic
Black Forest Labs 发布 FLUX 3 早期版本，并与机器人公司 mimic 合作推出视频-动作模型 FLUX-mimic，已在 Audi 测试和部署。FLUX 3 从训练之初就联合训练图像、视频和音频，视频预测占总算力成本 95% 以上；加入动作预测后，文生视频和图生视频的人类评分一度下降最多 10%，3500 步后恢复原有质量并同时预测动作。FLUX-mimic 在冻结 FLUX 主干的情况下，动作解码器表现超过此前的视觉-语言-动作模型，微调后达到 SOTA 成功率；主干在单张 NVIDIA RTX 5090 上从输入到世界表征耗时不到 80ms，整套机器人系统反应时间为 101ms。
匹配字段标题、摘要
用 Nano Banana 2 Lite 做世界杯首发阵容视频
我用 vibe coding 做了一个应用，能把你放进你最爱球队的世界杯首发阵容揭晓视频里！⚽️ 由全新的 Nano Banana 2 Lite + Gemini Omni Flash 驱动。 选一支球队，摆个姿势，导出你自己的阵容视频分享给朋友。 自己试试 + 代码见下方！https://t.co/vEASfanLE7
匹配字段标题、摘要