近日，Play AI 正式推出其最具雄心的产品 ——PlayDialog beta版本，能生成对话式的播客音频。这款端到端的 AI 语音模型，利用对话的历史上下文，能够调控语调、情感和语速，以实现更自然的语音合成，标志着人机对话的新高度。PlayDialog 特别适合于制作真实的对话体验，例如旁白、语音配音、合成播客等，也能在商业环境中提供沉浸式的一对一语音交流体验，效果类似谷歌的NotebookLM与此同时，Play AI 还推出了 PlayNote，这是一款可以将多种媒体文件（如 PDF、文本、视频等）转化为对话体验的

在Vidu上线逾百日之际，生数科技自豪地宣布Vidu1.5新版本的问世，该版本实现了世界领先水平的突破，特别是在理解多样化输入和突破“一致性”难题方面。Vidu1.5的推出标志着视觉模型进入了全新的“上下文”时代，加速了通用人工智能（AGI）的到来。Vidu在全球上线之初便具备了角色一致性生成能力，通

近日，Suno 公司发布了其最新的 v4音乐生成模型的音频样本。这些演示音频展现了与之前版本相比，音质、音色多样性和一致性都有了显著提升。Suno 的 v4模型通过深度学习技术对大量音乐数据进行训练，旨在生成更自然、更丰富的音乐作品。与以往版本相比，v4模型在音频合成方面的表现更为出色，能产生更具表现力的乐曲，增强了音乐的情感表达。听众在试听样本时，能够明显感受到音质的细腻程度和旋律的流畅性，给人以耳目一新的体验。为了使这一新模型的功能更为全面，Suno 还对

近日，即梦AI宣布，即日起由字节跳动自研的视频生成模型Seaweed面向平台用户正式开放。用户登陆后，在“视频生成”功能下，视频模型选择“视频S2.0”即可体验。Seaweed视频生成模型是豆包模型家族的一部分，具备专业级光影布局及色彩调和，画面视觉极具美感和真实感。基于DiT架构，Seaweed视频生成模型还能实现大幅度运动画面流畅自然。测试显示，该模型仅需60s就能生成时长5s的高质量AI视频，大幅领先于国内业界3-5分钟的前沿水平。即梦AI官方透露，近期，Seaweed和Pixeldance两款视频生

今日，智谱技术团队发布了其最新的视频生成模型 CogVideoX v1.5，并将其开源。这一版本是自8月以来，智谱技术团队推出的 CogVideoX 系列中的又一重要进展。据了解，此次更新大幅提升了视频生成能力，包括支持5秒和10秒的视频长度、768P 的分辨率以及16帧的生成能力。同时，I2V（图像到视频）模型也支持任意尺寸比例，进一步增强了复杂语义的理解能力。CogVideoX v1.5包含两个主要模型:CogVideoX v1.5-5B 和 CogVideoX v1.5-5B-I2V，旨在为开发者提供更强大的视频生成工具。更值得关注的是，CogVideoX v1.5将

北京智谱华章科技有限公司宣布，其旗下的CogVideoX系列模型推出了最新版本——CogVideoX v1.5，并已对外开源。自8月初发布以来，该系列模型凭借其行业领先的技术和深受开发者喜爱的特性，已经成为视频生成领域的佼佼者。新版本CogVideoX v1.5在原有基础上进行了显著升级，包括增强了视频生成能力，现在支持5/10秒、768P、16帧的视频生成，并且I2V模型能够支持任意尺寸比例，大幅提升了图生视频的质量和复杂语义理解。

知名 AI 图像生成工具 FLUX1.1Pro 迎来重大更新，推出全新版本 FLUX1.1Pro Ultra。新版本支持高达4兆像素的分辨率，生成速度也大幅提升，每张图片仅需约10秒即可完成。FLUX1.1Pro Ultra 提供 "Ultra 模式" 和 "Raw 模式" 两种模式，满足用户对清晰度和真实性的不同需求。Ultra 模式 下，用户可以生成超高分辨率图像，分辨率是标准版的4倍，生成速度比同类高分辨率模型快2.5倍，并且不会影响提示词的精准度。 这意味着用户可以在更短的时间内获得细节更丰富的图像，同时保持对生成内容的精确控制。

Stability AI近日推出了其最新的深度学习文本到图像生成模型 ——Stable Diffusion3.5。这一版本包括三种改进的开源模型，旨在满足不同用户的需求，包括研究人员、企业客户和爱好者。其中，Stable Diffusion3.5Large 是整个系列中最强大的模型，参数高达81亿。该模型以其卓越的图像质量和对提示的高度响应能力，成为专业用户的理想选择，能够生成分辨率达到1兆像素的高质量图像。此外，Stable Diffusion3.5Large Turbo 是 Stable Diffusion3.5Large 的简化版。它在生成高质量图像的同时，极大地提升了速度，仅

阿里巴巴通义实验室最新研究表明，现有的文生图 Diffusion Transformer 模型其实已经具备生成多张具有特定关系图像的能力，只需稍加“点拨”就能“融会贯通”，生成高质量的多图集。传统的 Diffusion 模型更像是一个“死记硬背”的学生，需要用海量数据训练，才能生成高质量的图像。而有了 IC-LoRA 加持，它就变成了“触类旁通”的学霸，只需要少量样本就能学会新技能。这背后的原理说起来也不复杂，研究人员发现，现有的文生图 Diffusion 模型其实已经具备一定的“上下文学习”能力，只

在众多 AI 视频生成模型中，Pika 无疑是最受欢迎的一个，尤其是在主流创作者和观众中。这个位于加州帕洛阿尔托的初创公司，由两位斯坦福 AI 博士辍学生共同创立，迄今为止已获得了1.35亿美元的融资。就在这个月初，Pika 推出了1.5版本的文本到视频和图像到视频的 AI 生成模型，并新增了六种让人惊艳的特效，包括 “爆炸”、“挤压”、“融化”、“压扁”、“膨胀” 和 “蛋糕化”，用户可以轻松地将这些效果添加到自己的照片中，制作出超现实且引人注目的短视频。为了庆祝万圣节

近日，在LLM大模型榜单上引发关注的神秘模型red_panda（小熊猫）终于揭开面纱，该模型实为英国人工智能初创公司Recraft AI推出的最新图像生成模型Recraft V3。据悉，自以red_panda化名发布以来，Recraft V3已收获超过10万次投票，在Artificial Analysis排行榜上以1172的ELO评分领先其他模型。值得注意的是，Artificial Analysis图像竞技场累计已有超过100万次投票，其ELO评分系统被视为评估图像生成模型的重要独立指标。Recraft V3的突出特点在于其强大的长文本图像生成能力，不再局限于单个或少量词语的图像

最近，Meta 与沙特阿拉伯的阿卜杜拉国王科技大学（KAUST）合作，推出了一款全新的视频扩散模型系列 ——MarDini。这个模型让高质量视频的创作变得更加简单和灵活，能够完成多种任务，比如填补视频中缺失的帧，将单张图片转换为动态场景，甚至还可以通过添加自然的连续帧来扩展短片段。在去年的基础上，Meta 在生成 AI 视频领域进一步发力。此前，它推出了 Emu Video 和 Emu Edit 等文本转视频和编辑模型。今年在发布 MarDini 之前，还推出了先进的视频编辑器 Movie Gen。由此可见，Meta 正在致

北京智源人工智能研究院（BAAI）近日宣布推出了一款全新的全能视觉生成模型OmniGen，标志着图像生成领域的一项重大突破。OmniGen模型以其统一性、简单性和跨任务知识迁移能力而著称，能够在单一框架内处理多种图像生成任务，包括文生图、图像编辑、主题驱动生成和视觉条件生成等。此外，OmniGen还能够处理一些经典的计算机视觉任务，如图像去噪和边缘检测，通过将这些任务转换为图像生成任务来实现。

最近，环球音乐集团（UMG）宣布了一项激动人心的合作计划，他们与一家名为 Klay Vision 的公司达成了协议，共同开发一个 “道德” 的音乐生成模型。这个名为 KLayMM 的大型音乐模型，预计将在几个月内推出产品。图源备注：图片由AI生成，图片授权服务商MidjourneyKlay Vision 的创始人兼首席执行官 Ary Attie 表示，他们希望这个 AI 音乐生成器能与音乐行业及其创作者紧密合作。他们的目标是将 AI 音乐的生成过程变得更加可持续，而不是短暂的潮流。虽然具体的合作细节尚未披露，但 Klay Vision 和

近日，北京人工智能学院的研究团队推出了一款名为 OmniGen 的全新图像生成模型。全能型图片生成编辑选手与以往的图像生成工具如 Stable Diffusion ，OmniGen 最大的亮点是，它不再只是专注于单一任务，它具备了多种能力:能在一个统一的框架下处理多种图像生成任务能:包括从文本到图像生成、图像编辑，可以说是个全能选手。这意味着，用户只需提供简单提示词，就能控制图像生成与精细编辑，而不再需要再使用 ControlNet、IP-Adapter 这样的插件对图片进行细节调整!OmniGen 的架构非常简化。与

最近，AI 视频公司 Genmo 宣布推出 Mochi1，这是一个全新的开源视频生成模型，用户可以通过文本提示生成高质量的视频。Mochi1的表现被认为与当前市场上领先的闭源竞争对手如 Runway、Luma AI 的 Dream Machine、快手的 可灵、Minimax 的 Hailuo 等等相媲美，甚至更优。该模型在 Apache2.0许可证下开放，用户无需支付费用就能享受到尖端的视频生成技术，而其他竞争产品的收费标准则从有限的免费计划到每月高达94.99美元不等。用户可以在 Hugging Face 上免费下载 Mochi1的模型权重和代码，不过，想要在个人

谷歌 DeepMind 联合麻省理工学院（MIT）近日发布了一项重大研究成果。研究团队开发的新型自回归模型"Fluid"在文本到图像生成领域取得了突破性进展，该模型在扩展到105亿参数规模后，性能表现出色。这项研究颠覆了业界普遍认知。此前，自回归模型虽然在语言处理领域占据主导地位，但在图像生成方面一直被认为不如 Stable Diffusion 和 Google Imagen3等扩散模型。研究人员通过创新性地引入两个关键设计因素，显著提升了自回归模型的性能和可扩展性:采用连续型词元替代离散型词元，以及引入

最近，科研团队联合推出了一款名为 Meissonic 的开源 AI 图像生成模型。惊喜的是，这款模型仅使用了十亿个参数，却能生成高质量的图像。这种紧凑的设计让 Meissonic 有潜力在移动设备上实现本地化的文本转图像应用。这项技术的背后，研发团队包括阿里巴巴、Skywork AI 以及多所大学的研究者。他们采用了一种独特的变换器架构和新颖的训练方法，使得 Meissonic 能够在普通游戏 PC 上运行，甚至未来可能在手机上使用。Meissonic 的训练方法采用了一种被称为 “遮蔽图像建模” 的技术，简单来说

英伟达与麻省理工学院、清华大学的研究人员合作开发了一款名为Sana的全新文本到图像生成框架，该框架能够高效生成高达4096×4096分辨率的图像。Sana可以在极快的速度下合成高分辨率、高质量且与文本高度一致的图像，甚至可以在笔记本电脑的GPU上运行。Sana 的核心设计包括:深度压缩自动编码器: 与传统的自动编码器仅压缩图像8倍不同，Sana 训练的自动编码器可以将图像压缩32倍，有效减少了潜在标记的数量。线性 DiT: Sana 将 DiT 中所有普通的注意力机制替换为线性注意力机制，这在高分

研究人员最近开发了一种名为 REPA 的新技术，旨在加速 AI 图像生成模型的训练速度。REPA 代表 REPresentation Alignment，通过整合来自 DINOv2等模型的高质量视觉表示来提高训练速度和输出质量。传统的扩散模型通常会创建嘈杂的图像，然后逐渐将其细化为干净的图像。REPA 增加了一个步骤，将在此去噪过程中生成的表示与来自 DINOv2的表示进行比较。然后，它将扩散模型的隐藏状态投影到 DINOv2的表示上。研究人员表示，REPA 不仅提高了训练效率，还提高了生成的图像质量。使用各种扩散模型架构