阿里公布 FashionChameleon：单卡 23.8 帧，视频生成中能实时交互换衣
阿里巴巴公布视频试衣框架 FashionChameleon。它允许在视频生成过程中实时交互式更换服装，单卡生成速度达 23.8 FPS，并能保持人物动作与外观连贯。最值得关注的是它仅靠单服装数据训练就实现了多套换装。目前代码与模型尚未正式开放。
AIGC
Midjourney、Sora、Veo、Suno 等 AI 绘画、视频、配音和音乐生成工具的新模型、新功能和新玩法。
查看更新的新闻
戛纳首映真人与 AI 结合电影：保罗·路德主演，阿罗诺夫斯基监制
消息，由达伦·阿罗诺夫斯基监制、达斯汀·耶林执导的真人与 AI 融合电影宣布将于下周在戛纳电影节首映。影片由保罗·路德与克里斯·洛克主演，将真人拍摄与 AI 生成画面混合呈现。好莱坞一线阵容的加入，意味着 AI 影像正加速叩开主流电影圈的大门。
Resemble AI 发布 DramaBox：像写剧本一样控制语音，叹气大笑全听指挥
Resemble AI 发布表现力语音模型 DramaBox。它像剧本一样工作：引号内念台词，引号外用自然语言写情绪、叹气或笑声等舞台指示，还能克隆音色。最关键的是它不仅自带抗篡改水印，还开放了本地模型下载，不过本地运行需要 24GB 显存。
Krea 推出首个自研模型 Krea 2：完全从零构建，主打风格控制
Krea 推出首个自研图像基础模型 Krea 2。与以往基于第三方模型搭建工具不同，该模型完全从零开始训练，专为图像生成的美学多样性与精细风格控制而设计。此举标志着 Krea 从应用封装转向底层自研，目前已向用户开放早期访问。
Pixal3D 开源：靠像素对齐做图生 3D，生成超高精度几何网格
图生 3D 模型 Pixal3D 开放本地运行代码。它摒弃了传统生成模型在规范空间松散匹配图像的做法，直接将 2D 像素与 3D 结构明确对应。其输出的 3D 网格在几何精度与纹理细节上逼近真实重建水平，效果显著超越同类工具。
Google 曝光新视频模型 Gemini Omni：融合图文音生视频，支持对话修改
Google 全新多模态模型 Gemini Omni 曝光。它能结合图像、音频与文本等多模态输入生成连贯视频，并支持用自然语言对话直接修改画面。最关键的是，它将逻辑推理与画面渲染结合，首发版本 Omni Flash 可生成 10 秒短视频。
阿里发布图像加速方法 CDM：扩散模型 4 步出图，细节超越 DMD2
阿里推出图像生成加速方法 CDM，把传统扩散模型所需的 20 到 50 步去噪压缩至 4 步，实现约 5 倍加速。相比之前的 DMD2，它避免了画面塑料感，能保留更细腻的纹理。目前已支持 Stable Diffusion 3 和 LongCat，让消费级 GPU 也能近乎实时出图。
SwiftI2V 搞定 2K 图生视频：单卡 RTX 4090 能跑，耗时狂降 202 倍
研究团队提出高分辨率图生视频框架 SwiftI2V。它先生成低分辨率运动参考，再通过条件分段生成精细的 2K 画面，最多输出 81 帧。这意味着 2K 视频生成不再依赖集群，单张 24GB 的 RTX 4090 就能跑，计算时间缩减了 202 倍。
Video Rebirth 推出 Bach 1.0：生成 30 秒多镜头视频，原生带声音
初创公司 Video Rebirth 推出 AI 视频引擎 Bach 1.0。它支持生成最长 30 秒的原生 1080p 视频并自带声音，主打多镜头角色一致性与镜头语言控制，在 Artificial Analysis 盲测榜位列第六。目前官网已开放注册免费试用。
Microsoft 发布 Map2World：画张俯视色块图，直接生成可探索 3D 世界
Microsoft 推出 AI 框架 Map2World。用户只需输入一张颜色分区的俯视地图并搭配提示词，系统就能生成可旋转探索的完整 3D 世界，还能精准控制建筑比例。它摆脱了传统网格布局限制，让大场景 3D 建模像画地图一样直观。
UniVid-X 视频框架发布：不仅能抠像换背景，还能重构光照与表面法线
研究团队提出视频多模态框架 UniVid-X。它不仅能生成 RGB 视频，还能直接解析和生成物体的基础颜色、光照信息、表面法线以及前后景 Alpha 通道。这意味着只需输入一段视频，就能精准完成角色替换、背景抠像甚至黄昏重打光等精细编辑。
ElevenLabs 推出 ElevenMusic：不止做语音，还能混音创作和赚钱
ElevenLabs 宣布推出音乐平台 ElevenMusic。该平台基于其自研音乐模型，集成了音乐发现、混音与创作工具，还加入了变现机制让创作者获利。这意味着 ElevenLabs 正式从 AI 语音领域跨界杀入音乐生成赛道。
阿里 Qwen 上线 Qwen-Image-2.0-Pro：跻身 Arena 全球文生图前十
阿里 Qwen 团队宣布上线文生图模型 Qwen-Image-2.0-Pro。新模型大幅提升了图像质量、多语言文字渲染和指令遵循能力，并在竞技场 Arena 的文生图榜单中排在全球第 9 位。目前该模型已在 ModelScope 开放体验，并同步上线 API。
Grok Imagine 升级图生视频：对口型更准，音频也更清晰了
Grok Imagine 升级图生视频功能，大幅提升了对口型效果与音频清晰度。更新后对白能够准确贴合嘴型动作，声音也更符合画面场景，让最终生成的声画表现更自然连贯。
Ideogram 上线自定义模型：用私有图片训练，锁定品牌视觉与排版
Ideogram 推出自定义模型（Custom Models）功能，允许用户使用自有图像资产而非全网公开数据训练专属生图模型。该功能专门用于保持品牌的艺术风格、字体排版及视觉识别一致性，目前已面向 Team、Pro、Enterprise 会员及 API 开放调用。
3D 高斯溅射房产方案：手机扫全屋，浏览器免 App 即可全景漫游
一项基于 PlayCanvas 的开源 3D 高斯溅射方案让手机扫描看房成为现实。AI 能将拍摄照片重建为数百万个光云，文件比短视频还小，在浏览器里就能照片级漫游。全景看房成本大幅降至约 200 美元，已有自由职业者开始向房产公司等收费接单。
OpenAI 发布 ChatGPT Images 2.0：文字渲染大升级，支持中日韩等多语言
OpenAI 推出 ChatGPT Images 2.0。新模型重点提升了文字渲染与视觉推理能力，支持中文、日文、韩文和阿拉伯文等多种文字排版，并在摄影、漫画等风格上带来更高的控制精度。用户已可直接在 ChatGPT 中使用。
UniGeo 带来相机可控图像编辑：输入精确角度，自由平移俯仰视角
研究团队提出相机可控图像编辑框架 UniGeo。它能将单张图片转为 3D 几何表征，支持用户通过输入精确角度来平移或俯仰镜头，重新渲染新视角。这解决了普通图像生成工具难以精准运镜且容易变形的问题，相关模型即将推出。
Gemini 接入 Google 相册：结合 Nano Banana 2，一句话画出个性化全家福
Google 宣布为 Gemini 应用引入个性化生图功能，结合 Nano Banana 2 与 Google 相册。用户无需上传参考图或手写长篇提示词，Gemini 能自动调用相册中标记的人物与宠物生成水彩或黏土风格画作。该功能正向美国 Google AI 订阅用户推送。
阿里 ATH 推出世界模型 Happy Oyster：实时生成可交互 3D 环境
阿里巴巴 ATH 团队推出交互式 3D 世界模型 Happy Oyster 测试版。该模型能根据多模态输入实时构建可探索的 3D 环境，用户可用提示词生成角色并操控其骑马、滑翔甚至骑龙。目前官方已开放候补名单申请测试资格。