SWM 首尔世界模型亮相：结合真实街景 RAG，生成数公里漫游视频
研究团队提出首尔世界模型（SWM），将真实街景图像作为 RAG 检索锚点引导视频自回归生成。它解决了长视频误差累积的问题，支持数百米至数公里尺度的真实街道漫游，还能用文本提示为城市添加海啸等场景变化。
AI视频
查看更新的新闻
阿里开源 Fun-CineForge：让 AI 配音对齐唇形与多角色
阿里开源影视配音模型 Fun-CineForge。输入视频与文本，模型通过引入「时间模态」识别角色并对准唇形，即便面部被遮挡也能卡准节奏发声。最值得关注的是它支持多角色自然切换，让自动配音真正做到了音画对齐。
Pulse of Motion：测算真实物理帧率，矫正 AI 视频的「计时幻觉」
研究团队开源 Pulse of Motion，专门解决 AI 视频动作过快或过慢的「计时幻觉」。该模型不到 2GB，能直接从画面运动推算出真实的物理帧率，并据此校正播放节奏。普通消费级设备就能跑，让 AI 画面里的动作真正符合现实物理规律。
因好莱坞版权争议与美议员施压，字节暂停 Seedance 2.0 全球发布
字节跳动在周末暂停了 AI 视频模型 Seedance 2.0 的全球上线。此前美国电影协会发函警告，美参议员也要求其立即下架，指控其生成超人打灭霸等素材侵犯版权与肖像权。字节表示正加强防护措施，防范未经授权的侵权行为。
Retime GS：丢帧卡顿的 2D 视频，也能重建出平滑全身 4D 动画
AI 项目 Retime GS 亮相。它只需普通 2D 视频帧作为输入，就能生成支持任意视角观看的全身 4D 场景；即使原视频丢帧卡顿，也能通过改进的 4D Gaussian Splatting 补全空缺，比同类方法更流畅、伪影更少。
流媒体变抖音：Peacock 推出 AI 实时竖屏裁切与数字人信息流
NBCUniversal 宣布为 Peacock 应用引入多项 AI 功能。今夏上线的「Your Bravoverse」由 Andy Cohen 数字分身导览，靠智能体与计算机视觉从 5000 小时真人秀中拼出超 6000 亿种竖屏播放组合；今春还将测试用 AI 实时裁切的 9:16 比例 NBA 赛事直播。
OpenAI 升级 Video API：支持 Sora 2 自定义角色与 20 秒生成
OpenAI 宣布升级基于 Sora 2 的 Video API。开发者现可生成长达 20 秒的片段，并支持自定义角色与物体、16:9 及 9:16 画幅、场景续写和批量生成任务。这为视频应用的开发流程带来了更高的灵活度与控制力。
传 OpenAI 将把 Sora 视频生成内置进 ChatGPT
据 The Information 报道，OpenAI 计划将 Sora 视频生成器直接集成至 ChatGPT 中。此前 Sora 仅作为独立网页和应用运行。在近期因军方合作引发卸载潮、面临 Claude 激烈竞争的背景下，此举旨在挽回用户，但同时也可能增加算力成本并加剧深伪滥用风险。
Runway 成立 Runway Labs：押注世界模型，孵化跨行业视频应用
Runway 宣布成立内部孵化器 Runway Labs，由联合创始人 Alejandro Matamala Ortiz 领衔。该实验室专注于探索生成式视频与通用世界模型的前沿应用，计划在电影、医疗、教育和游戏等领域快速构建原型产品。Runway 认为 AI 视频已达转折点，正对外招募工程师与前创业者。
ID Laura 开源：单模型搞定数字人生成，音画同步还能带环境音
一体化数字人模型 ID Laura 开源。它基于 LTX 2.3，改变了以往先克隆声音再匹配口型的两段式做法，只需输入单张人像、参考音频和台词，就能由单个模型同步生成视频、克隆语音与环境音。目前运行至少需 24GB 显存，推荐 48GB。
NVIDIA 升级 ComfyUI：简化界面免连线，4K 超分提速 30 倍
本周在 GDC 上，NVIDIA 宣布为 ComfyUI 推出全新 App View 模式，并上线 RTX 视频超分辨率节点。用户无需连线即可输入提示词生成视频；借助 RTX 50 系列显卡的 NVFP4 格式与超分技术，4K 放大提速 30 倍，显存占用降低 60%。
伦敦大学学院新突破：仅凭小鼠大脑信号，算法重建出 10 秒视频
伦敦大学学院团队在《eLife》发表研究，仅凭小鼠视觉皮层的单细胞脑活动记录，成功重建出小鼠看过的 10 秒视频。模型还结合了运动与瞳孔变化等内部生理状态，纳入神经元越多重建越准。这为解析大脑如何过滤和修饰视觉现实提供了全新工具。
MatAnyone 2 开源：140MB 模型搞定发丝级视频抠像，告别绿幕
开源视频抠像模型 MatAnyone 2 正式上线，无需绿幕就能从复杂运动视频中高精度提取人像遮罩。模型体积仅约 140MB，对发丝细节处理干净，已在 GitHub 开源并在 Hugging Face 开放免费在线体验。
Tavus 发布多模态系统 Raven-1：实时读懂语气与表情，延迟不到 300 毫秒
Tavus 推出多模态感知系统 Raven-1，能实时捕捉对话者的语气、微表情和姿态。它抛弃了传统的喜怒哀乐标签，直接输出自然语言描述，刷新延迟在 300 毫秒内，并支持兼容 OpenAI 的工具调用。这意味着 AI 终于不再只看转写文字，能真正理解言外之意。
CubeComposer：把普通视频扩展成 360 度全景，还支持 4K
研究员开源全景视频模型 CubeComposer，能把单台相机拍摄的普通视频转化为 360 度全景视频，并支持 4K 增强。它通过扩散模型拆解球体的六个面，用稀疏注意力机制补全镜头背后的画面，整体质量超过 Argus。不过目前背后的脑补画面仍有些许畸变。
腾讯推出特效迁移框架 EffectMaker：无需单独微调，一键克隆视频特效
腾讯混元团队提出特效定制框架 EffectMaker，能把参考视频中的视觉特效直接克隆到新画面中。它通过多模态大模型与 Diffusion Transformer 双路引导，无需针对单个特效微调，并配套构建了含 13 万条视频的数据集。
Lightricks 发布开源音视频模型 LTX-2.3：原生支持竖屏，附带本地编辑器
Lightricks 发布开源音视频模型 LTX-2.3 及免费本地编辑器 LTX Desktop。新版本重构了 VAE 与声码器，减少图生视频画面卡顿并提升音频对白质量，还首次原生支持 1080×1920 竖屏生成。权重已在 Hugging Face 开源，年营收 1000 万美元以下可免费商用。
RealWonder 开源：拉动箭头施加外力，AI 实时生成受力运动视频
开源项目 RealWonder 发布，支持在单张静态图片上施加虚拟外力，实时模拟物体在水流或风吹下的受力运动。它以物理模拟作为桥梁，在单张 H200 上达到 480p、13 帧/秒的生成速度。目前代码与模型权重均已开源。
Luma 推出创意智能体：自研 Uni-1 驱动，能调度外部模型做全案
Luma 推出创意智能体平台 Luma Agents，由底层统一多模态模型 Uni-1 驱动，支持文本、图像、视频和音频的端到端创作。它不仅具备类似代码智能体的自我反思和纠错迭代能力，还能协同调度 Google Veo 3 与 ElevenLabs 等外部模型。目前该平台已开放 API，并逐步向企业灰度铺开。
Netflix 收购本·阿弗莱克 AI 公司：用棚拍数据做电影制作工具
Netflix 宣布收购演员兼导演本·阿弗莱克创立的 AI 影视技术公司 InterPositive。该公司利用专业摄影棚实拍数据集，训练理解剪辑连贯性与布光等镜头逻辑的模型。阿弗莱克将出任 Netflix 高级顾问，强调工具旨在辅助创作者而非取代人类。