Motion4Motion 突破骨骼限制：连狐狸的动作都能迁给长颈鹿
研究人员提出免训练动作迁移框架 Motion4Motion。它跳过传统的骨骼绑定与 ControlNet，通过追踪密集像素动作流并匹配目标角色，在推理阶段直接生成新动作。最值得关注的是，即便狐狸与长颈鹿这样身体比例迥异的跨物种角色，也能自然迁移动作。
AI视频
查看更新的新闻
Wan-Animate-2：阿里开源动画模型，一张图让任意角色随视频起舞
阿里巴巴开源角色动画模型 Wan-Animate-2，用户只需输入一张角色图片和一段参考视频，就能将动作、微表情和手指细节迁移到目标角色上，连非人角色和双人场景也能支持。模型基于 Diffusion Transformer 实现端到端生成并支持视角控制，代码与权重均已开放。
BaoCut：给剪辑配上 Agent，一句话搞定口播去废话和字幕翻译
视频转写与粗剪工具 BaoCut 发布，支持接入 Claude Code 或 Codex，用自然语言一条命令完成口播视频的转写、清理语气词、字幕翻译与粗剪。它自带可编辑时间轴，改动单句无需整段重渲。最值得关注的是它把逐句对字幕的机械活全交给了 Agent，专解口播博主的痛点。
ChatCut Desktop 支持接入 Agent：通过本地 MCP 驱动 AI 视频剪辑
ChatCut 推出桌面端并支持通过本地 MCP 协议接入 Codex、Claude Code 等 Agent。智能体可直接读取项目并调用视频复刻与剪辑能力，在保留镜头节奏的同时替换人物或场景。目前支持 macOS 与 Windows，Linux 暂不可用。
Google 相册上线 Video Remix：普通视频一键重混成油画短片
Google 在 Google 相册中上线 Video Remix 功能，依托 Gemini Omni 模型，让用户通过简易模板快速生成风格化视频。它支持电影级重新打光、更换背景以及水彩、油画等艺术特效。目前先面向部分国家的 Google AI 订阅用户推送。
蚂蚁旗下 Robbyant 开源 LingBot-World 2.0：实时生成可交互世界
蚂蚁旗下 Robbyant 开源世界模型 LingBot-World 2.0。它采用因果预训练实现长时交互且画质无明显衰减，蒸馏版本能以 720p 60fps 实时运行，还引入双 Agent 协同生成动作与环境。目前已开源 1.3B 和 14B 权重。
高通开源 Mobile-Wan：手机本地 20 秒生成 5 秒视频，体积不到 10GB
高通研究团队发布 Mobile-Wan，把阿里 50 亿参数的 Wan 视频生成模型搬到手机本地运行。通过分块生成、剪枝和 3 步采样蒸馏，手机无需联网即可在约 20 秒内生成 5 秒 480p 视频，模型权重仅 9.9GB。
字节跳动曝光 Seedance 2.5：一条提示词生成 30 秒 4K 视频
上个月，字节跳动在北京披露了视频生成模型 Seedance 2.5，传最快将于 7 月 9 日上线。新模型单条提示词即可生成 30 秒 4K 视频，并支持多达 50 个参考图像、视频或音频，相比前代的 12 个大幅提升了画面可控性。目前官方落地页已在 Dreamina 上线。
MIRA 实时多人世界模型：单张 B200 跑 4 人联机，无引擎纯靠视频生成
研究团队发布交互式多人世界模型 MIRA，完全不依赖物理或渲染引擎，仅靠 50 亿参数的扩散模型生成画面。它由 1 万小时对战数据训练而成，单张 B200 即可支持四人 2v2 实时操作与联机，相关数据集和代码已开源。
Wan-Streamer v0.2 发布：实时视频交互分辨率翻倍，延迟仍为 200ms
研究团队发布 Wan-Streamer v0.2，将端到端音视频交互模型的分辨率从 192x336 提升至 640x368，同时保持 25 FPS 下约 200 毫秒的模型延迟。它通过单卡感知加多卡并行的架构，让中景虚拟形象的手势和周围环境在实时对话中保持清晰。
Runway 接入 Gemini Omni Flash：支持生成编辑视频，可唤内置 Agent
Runway 宣布在其视频平台接入 Google Gemini Omni Flash 模型。该模型支持通过文本、图像及现有视频片段进行生成与编辑。用户不仅能直接在界面中选用，还可通过内置 Agent 直接调用 Omni 进行创作。
Meta 推出 3D 动画模型 LUNA：不用绑骨骼，几张照片配草图就能动
Meta 推出 3D 人体动画模型 LUNA。它彻底绕开了传统的骨骼绑定与人体拟合，只需几张静态照片，就能靠动作视频、关键点甚至手绘草图直接驱动 3D 高斯形变。制作逼真 3D 人物动画不必再忍受衣物变形与肢体僵硬。
Netflix 旺卡真人秀用 AI 复活已故影星声音：家属授权、ElevenLabs 配音
Netflix 将于 9 月 23 日上线旺卡真人秀《Wonka’s The Golden Ticket》，预告片中采用了 AI 生成的已故影星 Gene Wilder 的声音担任旁白。该音频由 AI 语音公司 ElevenLabs 制作，并已获得 Wilder 家属授权。这也是流媒体平台再度尝试合规复现逝世名人声音。
Google NotebookLM 推出 60 秒短视频概览：把复杂文档做成竖屏短片
Google NotebookLM 上线「短视频概览」功能。该功能能把复杂的源文件直接转成 60 秒竖屏视频，深入提炼核心概念。目前已面向移动端和网页端的 Google AI Ultra 与 Pro 订阅用户推送，免费用户随后也将获得支持。
Google 上线两款多媒体模型：千图只需 0.034 美元，视频支持对话式精修
Google 面向开发者推出 Nano Banana 2 Lite 与 Gemini Omni Flash 两款生成模型。前者 4 秒即可出图，生成 1000 张图仅需 0.034 美元；后者支持通过自然语言对话编辑视频，每秒视频定价 0.10 美元。目前两款模型已上线 Google AI Studio 和 Gemini API。
OVOW 开源：一段普通视频，直接拆解成可物理模拟的 4D 场景
研究团队开源无需额外训练的 4D 场景重建系统 OVOW，能把单段普通视频拆解为带动画、可直接做物理模拟的独立 3D 资产。它串联 Qwen3-VL 与 SAM 3 等模型完成识别与姿态估计，导出完整场景。代码现已公开，受组件协议限制仅限非商业研究，且需 40GB 显存。
ComfyUI 发布 Comfy MCP：不用手动连节点，让 AI 智能体直接跑工作流
ComfyUI 开启 Comfy MCP 公开测试，让 Claude 等 AI 智能体能直接接入 ComfyUI。用户用自然语言即可让智能体自主搜索模型、搭建并运行图像与视频工作流，免去手动连线和配节点。目前处于公测阶段，支持免费接入试用。
ViDiHand 重建 3D 手部动作：借视频扩散模型搞定严重遮挡
研究团队公布 ViDiHand，利用预训练视频扩散模型从视频中精确重建 3D 双手动作。它无需额外的手部检测器，即使手指严重互遮或部分出画也能稳定还原，为人形机器人和具身智能训练提供了高精度的交互数据。
腾讯公布 SCoPE：加不到 0.1% 参数，就能精准控制 AI 视频运镜
这周，腾讯研究人员公布 SCoPE 运镜控制技术。它把相机光线作为 token 的第二个坐标，仅用不到 0.1% 的新增参数，就能让视频模型严格遵循指定轨迹运镜，转头再看也不会漂移，在 5B 和 14B 模型上均已验证有效。
阿里发布 Wan Streamer：单一模型实时音视频通话，延迟仅 200 毫秒
阿里巴巴公布端到端交互模型 Wan Streamer，让 AI 在视频通话中实时看、听并同步回应。它用单一 Transformer 统一处理音视频和文本，支持全双工通信，模型端延迟约 200 毫秒。目前 v0.1 仍为 192p 概念验证，未开放实时体验。