字节预告音视频模型 Alive：声画同步一次生成，口型表情全打通
字节跳动公布音视频统一生成模型 Alive。它能同时接收文本、参考图与参考音频，直接生成口型同步且表情自然的带声视频。评测显示其综合表现超越 Sora 与 LTX2，不过目前仅公开了论文，代码与在线 Demo 尚未开放。
AI视频
查看更新的新闻
Autodesk 起诉 Google：指控其 AI 影视软件侵犯「Flow」商标
上周五，Autodesk 在旧金山联邦法院起诉 Google，指控其 AI 影视制作软件侵犯了「Flow」商标。Autodesk 称自己早在 2022 年 9 月就已使用该名称，而 Google 曾承诺不商业化却转头在海外暗中抢注，试图利用体量挤压对手。
清华 Xmax AI 推出实时交互视频模型 X1：伸手就能与虚拟角色互动
清华大学 Xmax AI 团队推出实时交互视频模型 X1。它支持通过手机摄像头捕捉手势，无需手柄即可实时触摸并操控虚拟角色，具备毫秒级超低延迟和无限时长生成能力。目前团队已开启免费内测申请。
FastVMT 视频运动迁移：把赛车动作套给奔跑的狼，生成加速 3.4 倍
研究团队公布视频运动迁移技术 FastVMT。它能提取参考视频中的物体与镜头运动，仅凭提示词就能迁移给奔跑的狼或船等全新主体，并通过消除计算冗余提速 3.43 倍。这大幅降低了精细控制视频运动的门槛，不过目前项目仅公开了论文，代码暂未上线。
Just Dub It：把视频配音成外语，口型也能自动对上
开源配音工具 Just Dub It 发布。它基于 LTX-2 打造了轻量 LoRA 适配器，能把视频翻译成法语、德语等外语并同步生成匹配的唇部动作，同时保留原人脸特征。代码、模型权重与训练集已全部开源，支持消费级显卡部署。
Skin Tokens 突破 3D 绑定：连螃蟹和甲虫也能一键自动生成骨骼与蒙皮
研究人员提出 Skin Tokens 及统一框架 TokenRig，能自动为 3D 模型估计骨骼与蒙皮。它不仅支持人形，连鸟类、甲虫、螃蟹等复杂生物也能处理，蒙皮精度最高提升 133%。这意味着 3D 生成到动画制作之间的关键瓶颈正在被打破。
Kling AI 推出 Kling 3.0：支持 15 秒多镜头视频与 4K 图像输出
Kling AI 推出多模态创作模型 Kling 3.0。新模型支持生成 15 秒高逼真度可控多镜头视频，升级了支持多角色及多口音的原生音频，并带来 4K 图像输出。目前新模型已在网页端上线，仅限 Ultra 订阅用户抢先体验。
OpenAI 详解 Sora 动态流：不做刷屏信息流，让用户自己调算法
OpenAI 公布 Sora 动态流的设计理念。推荐系统优先展示能激发创作与互动的内容，支持用户主动调整算法偏好，并接入 ChatGPT 家长控制功能来关闭个性化或限制无限滚动。同时设定了多层安全审查过滤违规内容。
Kling 提出 3D Move：把动作换给新角色，还能自由运镜
Kling 公布运动控制技术 3D Move。它能将视频中人物的动作迁移给真人或动漫新角色，并首次做到在动作迁移的同时自由控制镜头运镜与缩放，保持空间一致性与精细手势。目前该成果仅发布了研究论文，尚未明确是否开源或上线。
Omnimat Zero 开源：不仅能从视频中删物体，连倒影和阴影也能抹掉
开源视频工具 Omnimat Zero 能够精准擦除画面中的物体，并同步清理水坑倒影与地面阴影。它还能应对复杂的遮挡关系，或把前景单独提取为透明图层供替换背景，目前代码与本地运行说明已在 GitHub 开源。
Adobe Firefly 开放无限次生成：支持 Runway、GPT 等第三方模型
Adobe 宣布为 Firefly 订阅用户开放无限次图像与视频生成。除了自家商用安全的 Firefly 模型，还直接引入了 Google Nano Banana Pro、GPT 与 Runway Gen-4 等第三方顶尖模型。3 月 16 日前加入指定计划，即可无限生成最高 2K 分辨率内容。
xAI 发布 Grok Imagine 1.0：支持 720p 与 10 秒视频生成
xAI 正式发布 Grok Imagine 1.0，支持生成 10 秒 720p 视频并大幅提升音频质量。官方透露，仅过去 30 天 Imagine 便生成了 12.45 亿个视频。这意味着在大规模使用基础上，xAI 正在进一步补齐画质与时长的短板。
腾讯提出 InteractAvatar：数字人告别站桩，能拿手机戴耳机了
腾讯等团队提出 InteractAvatar 框架，让数字人不仅能说话，还能与周围物体互动（如戴耳机、拿手机）。该框架支持连续指令与精确时间戳控制，解决了传统数字人只能站桩口播的局限。最值得关注的是，它让虚拟人视频生成迈向了能与真实环境交互的新阶段。
EditYourself 视频编辑利器：改说话内容消除卡壳，无缝对齐口型
Pipio AI 等研究团队推出视频编辑框架 EditYourself。它能直接修改视频中人物说话的内容，自动消除卡壳口吃，并无缝对齐口型且不留硬切痕迹。这意味着视频后期能像改文字一样编辑台词，但也让深度伪造更难分辨。
Invideo 联手 Anthropic 推出 AI 动效工具：一句话提示词生成动态设计
Invideo 联手 Anthropic 推出 AI 动效生成工具。用户输入单条提示词就能生成专业动态图形，完全告别 After Effects、模板和代码。官方将其称为动效设计界的「Vibe Coding」，试图把专业动效成本打到零。
Google 上线 Project Genie：凭文字或图片实时生成可探索的虚拟世界
Google DeepMind 推出实验原型 Project Genie，底层由世界模型 Genie 3 驱动。用户输入提示词或上传草图，就能实时生成可操作移动、支持物理交互的虚拟环境。目前生成上限为 60 秒，仅向美国 Google AI Ultra 订阅用户开放。
YouTube 出手清理 AI 垃圾：590 万粉头部频道遭封禁
据 The Verge 报道，YouTube 下架了多个头部 AI 垃圾内容频道，包括坐拥超 590 万粉丝、12 亿播放量的低质内容大号。官方确认因违规处理了 11 个频道，正通过反垃圾机制遏制劣质 AI 生成内容的泛滥。
Apple 更新 Final Cut 与 Logic Pro：支持自然语言搜镜头，加入 AI 合成器乐手
Apple 更新了 Mac 和 iPad 上的 Final Cut Pro 与 Logic Pro。视频剪辑新增自然语言视觉与对白搜索，能直接用文字找出镜头里的特定动作；音频制作则加入 AI 合成器乐手，并支持用自然语言找 Loop。剪辑和找伴奏省去了漫长的人工翻找，体验直观不少。
OpenMOSS 开源 MOVA：原生生成同步音视频，320 亿参数 MoE 架构
OpenMOSS 开源视频生成模型 MOVA，可在单个模型内原生同步生成画面与声音。它采用 320 亿参数的 MoE 架构，运行激活 180 亿参数，支持多语言对口型。代码和权重已上线 GitHub，不过 720p 版本约 77 GB，对显存要求较高。
LingBot-World：开源实时交互世界模型，16 FPS 跑通长记忆
robbyant 开源基于 Wan2.2 的世界模拟器 LingBot-World。它支持用文本或图片生成可交互环境，能以 16 FPS、低于 1 秒延迟输出 480P 与 720P 画面，并具备分钟级场景一致的长记忆。代码与权重已公开，为互动生成与机器人学习提供了开源方案。