阿里发布视频模型 Wan3.0：单次直出 30 秒，PPT 与表格也能做视频
阿里云在百炼平台上线视频生成模型 Wan3.0。它将单次生成时长延长至 30 秒，并首次支持直接把 PPT、PDF 和表格等文档转成视频，同时改善了人脸真实度与参考一致性。API 计费 480P 输出每秒 0.05 美元起。
AIGC · 日报
周五
8月7日 星期五
xAI 发布 Imagine Image 2.0：支持 5 图参考与局部精修，登双榜第二
xAI 发布图像模型 Imagine Image 2.0，作为 Quality Mode 上线网页及移动端。新模型主打精准可控编辑，支持魔棒局部修改、背景扣除、最多 5 张参考图生成以及排版文字渲染。官方称其在 Arena 文生图与编辑双榜均位列全球第二。
周二
8月4日 星期二
Black Forest Labs 上线 FLUX 3 Video：最长 20 秒高清视频，自带原生对白音效
Black Forest Labs 正式通过 API 推出 FLUX 3 Video。该模型支持生成最长 20 秒、最高 1080p 视频，并原生同步生成对白音效，支持 14 种以上语言对口型。最值得关注的是它支持多镜头与关键帧控制，并提供低成本草稿模式。
周一
8月3日 星期一
腾讯发布 Hunyuan3D-Buffalo 1.0：生成、理解与编辑全包了
腾讯混元团队公布统一 3D 多模态框架 Hunyuan3D-Buffalo 1.0。它基于共享的 VLM 底座，单套流程就能搞定文本生成 3D、自然语言编辑、3D 问答和部件拆解。创作者不再需要拼凑多个专用工具，用一句话就能微调或拆解 3D 资产。
周五
7月31日 星期五
xAI 升级 Imagine Video 1.5：支持音画参考与原生 1080p
xAI 为 Imagine Video 1.5 推出重要升级，新增图像与声音参考、纯文本生视频和原生 1080p 输出。用户单次最多可传入 7 张参考图来固定人脸、产品或场景，并同步锁定角色声音保持镜头一致。纯文本生成与 1080p 已全面开放，音画参考先向美国付费用户推送。
字节跳动发布 Seedance 2.5：单次生成 30 秒音视频，支持多模态参考
字节跳动发布视频生成模型 Seedance 2.5。模型单次生成时长增至 30 秒并支持多轮延展，能同时接收最多 30 张图片、10 段视频及 10 段音频作为参考，还加入了时间戳级编辑与白模参考能力，目前已在即梦和豆包 Pro 上线。
周四
7月30日 星期四
Ideogram 推出 P-Image：单张 0.003 美元起，原生支持 2K
Ideogram 联合 Pruna AI 发布图像生成模型 P-Image-Ideogram，主打质量、速度与成本的平衡，单张生成价格低至 0.003 美元。模型提供 4 种质量模式并原生支持 1K 与 2K 分辨率，延迟在 3 到 8 秒之间。目前已通过 API 及 ComfyUI、Replicate 等平台开放测试。
Google Earth 上线 AI 生图才一天：因违规内容被紧急撤回
Google 为 Google Earth 网页版接入 Nano Banana 2 图像生成能力，允许用户基于卫星与 3D 实景输入提示词重构全球任意地点。然而仅隔一天，Google 便因发现违规截图流出而紧急下架该功能，表示将在补强安全护栏后重新评估上线。
周三
7月29日 星期三
Google Gemini 开启限时福利：每人可免费生成 10 个 AI 视频
Google 宣布为未订阅 AI 会员的用户开放限时试用，即日起至 2026 年 8 月 4 日可免费生成最多 10 个视频。该能力由 Gemini Omni 模型驱动，用户可以在工具栏中直接完成生成、编辑与重混。
HeyGen 上线视频播客功能：文档链接一键变双人主持视频
HeyGen 推出新工具 Video Podcast，能将文档、链接或想法直接转化为双人主持的视频节目。不同于以往的纯音频播客生成，它提供演播室场景、多机位切换和空镜画面，几分钟即可生成可直接发布的完整视频。
Google 上线 Lyria 3.5：人声与歌词升级，还能调曲速与时长
Google 宣布在 Google Flow Music 中推出最新音乐生成模型 Lyria 3.5。新模型提升了旋律复杂度与发音真实度，并增强了歌词对提示词的遵循能力；同时新增创作控制选项，支持用户更轻松地调节生成歌曲的节奏快慢与时长。
周二
7月28日 星期二
Mirage 推出分身模型 Avatar X：10 秒视频克隆，还原微表情
Mirage 推出数字分身模型 Avatar X，用户只需上传 10 秒视频即可生成 AI 分身。该模型主打细致的微表情还原，能够生成大笑、打哈欠、假笑等自然神态，同时支持音频驱动全身动作以及长视频连续生成不失真。
周一
7月27日 星期一
Spotify 放任 AI 音乐吸金：网友自建工具帮听众「打假」
因 Spotify 未能全面标记 AI 音乐，开发者推出 SoullessMusic 和 SlopTracker 等第三方工具，利用开源模型检测假人歌手。SoullessMusic 追踪的 AI 艺人年分账估达 570 万美元，头部账号年入 150 万。不过检测模型本身仍存在误报风险。
周五
7月24日 星期五
Midjourney 上线 V8.2：大幅砍掉废图，个性化更懂你的审美
Midjourney 推出 V8.2 图像模型，重点提升审美表现、画质与个性化能力。新版本大幅减少了随机生成的低质废图，画风更加大胆精致；得益于社区评分构建的更大图库，系统能更敏锐地理解用户的个人审美偏好。
周四
7月23日 星期四
Microsoft 推出图像模型 MAI-Image-2.6：可结合联网信息，精准控制编辑
Microsoft 推出图像生成与编辑模型 MAI-Image-2.6。它能实时调取网页信息辅助绘图，并提供精确的构图与风格局部编辑能力；同步推出的 MAI-Image-2.6-Flash 价格不到旗舰版一半。目前已上线官方 Playground 供测试。
Black Forest Labs 开启 FLUX 3 早期访问：图影音统一架构，支持 20 秒原生配音视频
Black Forest Labs 推出多模态基座模型 FLUX 3 并开启早期访问。该模型基于 Self-Flow 架构，在统一网络中同时学习图像、视频与音频，支持单次生成长达 20 秒带原生音频的视频，并能拓展至机器人动作预测。官方计划在未来数周逐步开放图像生成与开源权重 Dev 版本。
ElevenLabs 上线 References 功能：上传音频即可控制 Music v2 风格
ElevenLabs 为其 Music v2 模型推出 References 功能，支持用户上传 10 秒至 5 分钟的音频，直接引导生成音乐的风格、配器与氛围。音轨生成前需经过版权检测以拦截他人作品，目前已在 ElevenMusic 及 API 上线。
周三
7月22日 星期三
阿里发布 Qwen-Image-3.0：支持 4500 token 长输入，可渲染 10px 微缩文字
阿里推出第三代图像生成基座模型 Qwen-Image-3.0。模型支持最高 4.5k token 输入，可处理报纸、分镜等复杂排版，支持 12 种语言及 10px 级文字渲染，还能生成网页等界面，并支持联网检索实时信息。
周一
7月20日 星期一
《第九区》导演发布 13 分钟 AI 短片：用 Seedance 2.0 制作，下一步拍长片
《第九区》导演 Neill Blomkamp 发布 13 分钟 AI 短片《NIGHTBORNE》，全程使用 Seedance 2.0 制作，结合了概念艺术家与 32 位真人的面容声音。Blomkamp 称实验两年后准备挑战长片，并成立了新 AI 工作室 Barley Studios。
周四
7月16日 星期四
Google Vids 升级：自然语言调光换背景，一张自拍生成数字人出镜
Google 为 Google Vids 推出 Gemini Omni 编辑与个人分身功能。用户不仅能用自然语言修改背景、光照和特效，上传一张自拍和录音还能生成替自己出镜的数字人。目前面向 Google AI Pro、Ultra 及 Workspace 商业订阅用户开放，生成视频均嵌有 SynthID 水印。
Wan Streamer 0.3 发布：虚拟角色支持自然语言实时动作控制
Wan Streamer 发布 0.3 版本，让虚拟角色从肖像对话升级为能与环境互动的动作控制。核心机制是将视频拆解为保持一致的「世界」与随时间变化的「事件流」，能实时响应比耶、叉腰等自然语言指令。目前团队仅发布了技术论文。
周二
7月14日 星期二
Google 图片 25 周年：主页改版动态画廊，搜索直出 AI 图像
Google 庆祝图片搜索 25 周年，在搜索的 AI Overviews 中加入图像生成功能，并推出个性化动态画廊主页。生图功能由其最新的 Nano Banana 模型驱动，用户输入文字即可直接绘图。两项更新将在未来几周面向英文等支持地区逐步推送。
阿里开源 Wan-Dancer-14B：听音乐就能跳舞，支持分钟级连贯长视频
阿里 Wan 团队开源舞蹈生成模型 Wan-Dancer-14B 及代码。它不需要参考动作视频，仅凭一段音乐和一张静态人像，就能生成节拍同步的分钟级舞蹈。最值得看的是它采用全局规划加局部精细化框架，已适配古典舞、街舞和 K-Pop 等多种风格。
