字节发布 Seed-Audio 1.0：一次搞定多角色对白、音效与背景音乐
火山引擎发布豆包音频生成模型 1.0（Seed-Audio 1.0），能在单次生成中同步编排多角色对白、情绪语气、拟音特效与背景音乐。模型支持参考音频与零样本描述，可在长剧中保持音色高度统一。目前主要以 API 形式提供服务。
AIGC · 日报
周二
6月9日 星期二
周四
6月4日 星期四
Krea 推出 Krea 2 Turbo：2 秒出图，兼容风格参考与 LoRA
Krea 推出 AI 图像生成模型 Krea 2 Turbo。新模型主打极速出图，生成高质量图像仅需约 2 秒，同时兼容风格参考、情绪板与 LoRA。这意味着创作者能以接近实时的速度迭代视觉创意，且目前可免费体验。
周三
6月3日 星期三
xAI 推出 Grok Imagine 1.5 Preview：图像生成模型开放 API
xAI 发布图像生成模型 Grok Imagine 1.5 Preview，并通过 API 向开发者开放早期访问。该版本是对现有图像生成能力的迭代更新，允许开发者在公开发布前抢先集成和测试新模型。
Ideogram 发布 4.0 开放权重图像模型：支持本地微调与部署
Ideogram 发布开放权重文生图模型 Ideogram 4.0。用户可下载权重并在本地硬件运行和微调，该模型支持密文字排版、原生 2K 分辨率及透明背景。目前已在其全线方案和 API 同步上线。
Reve 推出图像模型 Reve 2.0：用结构化布局精准控制画面
Reve 推出图像生成模型 Reve 2.0。它放弃传统的纯文本中间层，改用结构化布局精确定义元素的位置、尺寸和属性。该模型基于 Qwen 架构打造，声称用竞品十分之一的 GPU 算力，在万亿美元以下公司中拿下竞技场榜首。
周二
6月2日 星期二
Martin Scorsese 出任 Black Forest Labs 顾问：用 FLUX 做分镜
Black Forest Labs 宣布知名导演 Martin Scorsese 担任其顾问，协助指导以人类审美和工艺为核心的视觉 AI 研发。双方还进行了使用图像生成模型 FLUX 制作故事板分镜的实际创作合作。
周四
5月28日 星期四
Roblox 发布 CubePart：直接按部件生成 3D 模型，告别手动切块
Roblox 发布部件级 3D 生成框架 CubePart。它允许开发者在提示词外指定一份部件清单，直接生成分块命名、可独立挂载物理与动画脚本的游戏资产。最值得关注的是，生成的网格无需手动拆解即可导入引擎。相关代码已整合进开源项目 Cube。
周三
5月27日 星期三
NVIDIA 发布 Gamma World：支持多人协同互动，24 帧实时生成共享世界
NVIDIA 发布多智能体交互世界模型 Gamma World。它把过去单人控制的世界模型扩展到多玩家和多机器人场景，无需预设几何形状即可按各智能体动作以 24 FPS 实时生成共享环境与视角。这意味着未来游戏与机器人仿真可以直接在生成世界里跑。
Leonardo.Ai 实测 GPT-Image 2.0：大白话做广告，AI 竟会主动加爆款贴纸
Leonardo.Ai 创意总监 Dwayne Koh 分享了 GPT-Image 2.0 的实测体验。在没有提示词技巧、仅输入口语化广告需求的情况下，模型不仅画面专业，还主动在 Z 世代润唇膏广告中加上了 TikTok 爆款贴纸。这表明新图像模型正从单纯的绘图工具，变成能理解文化语境与审美品味的创意搭子。
周二
5月26日 星期二
微软推出 MAI-Image-2.5：首秀居 Arena 第三，文字光影大升级
微软 MAI 超级智能团队推出文生图模型 MAI-Image-2.5，首次亮相便位列 Arena 排行榜第三。新模型相比前代大幅提升了文字渲染、风格插画以及光影与空间推理能力。目前已可在 Arena 体验，未来两周内将接入 MAI Playground 与 Azure Foundry。
ElevenLabs 推出 Music v2：提升全曲风人声表现与多语言编曲
ElevenLabs 推出音乐生成模型 Music v2。新模型在各曲风下的人声、乐器表现与编曲质量均有提升，并增强了多语言支持，解锁了上一代无法实现的新能力。这意味着 AI 音乐的听感与跨语言创作门槛进一步优化。
周四
5月21日 星期四
Runway 发布 Aleph 2.0：改动单帧画面，自动同步整段视频
Runway 发布视频编辑工具 Aleph 2.0，已在网页端全新的 Edit Studio 上线。用户只需在视频中修改单帧并预览效果，Aleph 2.0 便会自动将修改连贯应用到整个视频片段，省去了以往逐帧手动调整的繁琐流程。
Arq.live 推出语音制片系统 GLITCH：导演动口调度，8 分钟生成短片
Arq.live 推出语音生成影像系统 GLITCH，导演无需手打提示词，直接口述即可完成选角、搭景与调度走位。系统后台由多个 AI 智能体像电影摄制组一样协同实时出片，在单台笔记本电脑上用时不到 8 分钟就生成了一部完整短片。
Spotify 联手环球音乐：将推生成式 AI 工具，粉丝可正版二创翻唱
Spotify 与环球音乐集团宣布达成音乐授权协议。双方将推出一款生成式 AI 工具，允许乐迷为参与艺术家的歌曲制作翻唱和混音版本。该功能将作为 Spotify Premium 的付费增值项目推出，艺术家和词曲创作者可直接从中获得分成收益。
Krea 推出 Krea 2 LoRA 微调功能：可精准定制专属画风与角色
Krea 宣布面向图像模型 Krea 2 开启 LoRA 微调功能的 Beta 测试。用户现在可以用自己的素材高精度训练特定的视觉风格、物体或角色，大幅提升生成画面的可控性与一致性。这是该平台迄今最强大的模型微调系统。
周三
5月20日 星期三
Stability AI 发布 Stable Audio 3.0：三款模型开源权重，端侧也能生成整曲
Stability AI 发布 Stable Audio 3.0 音频模型系列，Small SFX、Small 与 Medium 三款开放权重。全系列基于合规授权数据训练，支持最长 6 分 20 秒可变长度生成与 LoRA 微调，年收入百万美元以下团队可免费商用。
周一
5月18日 星期一
Meta 推出 WavFlow：跳过潜空间压缩，直接在原始波形上给无声视频配音
Meta 推出音频模型 WavFlow，跳过潜空间压缩，直接在原始波形中生成 44.1kHz 高保真音频。它能为无声视频自动配上同步音效，打鼓等动作基本能对齐。不过受政策限制，官方仅开源了代码与脚本，未放出完整权重。
InstructAV2AV 发布：AI 视频编辑能音画同改，一句话换人改台词
研究团队发布端到端音视频联合编辑框架 InstructAV2AV，支持用自然语言指令同时修改画面与声音。它无需手动绘制遮罩即可完成换人、改台词或增删音效，并在替换目标内容的同时保持背景稳定。
Leonardo AI 上线 3D 生成功能：从 2D 概念图直接导出 .glb 模型
Leonardo AI 在平台内上线 3D 物体生成功能，创作者无需切换工具即可将 2D 概念图转为 3D 模型。借助多视角参考蓝图，用户能导出支持四边面和三角面的 .glb 文件，直接对接游戏引擎或 3D 打印。独立游戏开发者和电商做资产省事多了。
周六
5月16日 星期六
GPT Image 2 搭档 Seedance 2.0：从 12 格故事板直接做动画
创作者分享了一套 AI 影视工作流：先用 ChatGPT Image 2 将故事创意生成带角色和镜头标注的 12 格故事板，再交给 Seedance 2.0 生成连贯的电影感视频。配合节点式平台编排，一人做动画的门槛进一步降低。
周五
5月15日 星期五
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。
周四
5月14日 星期四
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。
周三
5月13日 星期三
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。