VideoPainter是一款基于深度学习的编辑神器，犹如一位灵巧的魔术师，能够通过简单的提示词，自动识别并修改视频内容，尤其适合长视频处理。输入提示词，自动识别内容想象一下，您正在观看一段精彩的视频，突然发现某个细节让您感到不满。以往，您可能需要费尽周折，逐帧调整，甚至重拍整个片段。但现在，有了 VideoPainter，您只需输入简短的提示词，这个系统就能自动识别需要修改的内容，并完成编辑。就像是在对一位艺术家发出指令:“把这块背景换成星空!” 于是，瞬间，您眼

近日，魔乐社区（Modelers）正式上线了由阶跃星辰研发的 Step-Video 和 Step-Audio 两款开源多模态大模型。这两款模型分别用于视频生成和语音交互，旨在为开发者和企业用户提供更强大的 AI 工具。Step-Video 模型的全名为 Step-Video-T2V，这是一款参数量高达300亿的全球最大开源视频生成模型。该模型能够直接生成204帧、540P 分辨率的高质量视频，并在指令遵循、运动平滑性、物理合理性以及美感等方面，表现超越了市场上现有的顶尖开源视频模型。另一方面，Step-Audio 则是业内首款能够生成多种情

腾讯宣布开源其新研发的图像转视频生成框架 ——HunyuanVideo-I2V。该模型的发布是在其成功开源 HunyuanVideo 之后的又一重要进展，旨在推动开放源代码社区的深入探索。HunyuanVideo-I2V 结合了先进的视频生成技术，能够将静态图像转换为生动的视频内容，为创作者提供了更多的可能性。HunyuanVideo-I2V 利用了一个预训练的多模态大语言模型作为文本编码器，显著增强了模型对输入图像语义内容的理解能力。这意味着，用户输入的图像能够通过模型生成语义图像标记，这些标记与视频潜在标记相结

亚马逊旗下的 Prime Video 近日宣布，他们正在试验一种全新的 AI 辅助配音技术，以提升部分未配音影视作品的可及性。这项新技术结合了人工智能和专业本地化团队的力量，旨在确保配音的质量与准确性。该项目的首批试点将包括12部先前没有配音支持的影片，涉及英语和拉丁美洲西班牙语两种语言。这12部作品中，有西班牙动画片《埃尔西德:传奇》和家庭剧情片《我妈妈的罗拉》等。Prime Video 的这一举措，旨在通过 AI 配音技术，帮助更多观众欣赏到丰富多彩的影视内容，打破语言障碍，

近日，腾讯混元视频模型（Hunyuan Video）在 X 平台上正式公开招募测试伙伴，标志着这一前沿 AI 视频生成技术迈入关键测试阶段。根据官方透露，测试结束后，该模型有很大概率会开源，为全球 AI 社区贡献其技术成果。混元视频模型是腾讯在 AI 视频生成领域的重要创新，拥有超过13B 的参数量，是目前开源模型中规模最大的视频生成模型之一。其核心技术包括高效的时空上下文建模能力以及对复杂物理规律的精准模拟，能够生成高质量且符合真实世界逻辑的视频内容。此前，腾讯混元团队

全球开发者目光再次聚焦中国!在备受瞩目的全球开发者大会（GDC）上，阿里云魔搭社区重磅宣布，首发上线阶跃星辰最新开源的两款多模态模型，包括 全球参数量最大的开源视频生成模型 Step-Video-T2V，以及 业界首款产品级开源语音交互模型 Step-Audio。 这一消息瞬间引爆全球AI开源社区，再次彰显中国在人工智能领域的强劲创新实力。作为中国最大的AI模型社区，阿里云魔搭社区此次发布的这两款重磅模型，无疑是近期全球多模态领域最受瞩目的开源成果。 Step-Video-T2V 以其巨大的参数规模

2月19日，北京智谱华章科技有限公司宣布，其旗下的多模态创作平台“清影”与AI角色创作平台“捏Ta”达成战略合作，共同探索AI角色设计到动画创作的完整路径，并推动IP一致性的技术落地。此次合作旨在深入挖掘二次元用户需求与AI应用场景，为用户提供更高质量的生成效果和更快的推理速度。

今日，阶跃星辰与吉利汽车集团宣布，联合开源两款阶跃Step系列多模态大模型——Step-Video-T2V视频生成模型和Step-Audio语音模型。其中，阶跃Step-Video-T2V视频生成模型在参数量和性能上均处于全球领先水平。该模型拥有300亿参数量，能够直接生成204帧、540P分辨率的高质量视频，确保生成内容信息密度高、一致性强。评测结果显示，Step-Video-T2V在指令遵循、运动平滑性、物理合理性、美感度等方面均表现出色，显著超越市面上既有的最佳开源视频模型。

近年来，图像重光照技术的进步得益于大规模数据集和预训练的扩散模型，使得一致性光照的应用变得更加普遍。然而，在视频重光照领域，由于训练成本高昂以及缺乏多样化和高质量的视频重光照数据集，进展相对缓慢。仅仅将图像重光照模型逐帧应用于视频，会导致多种问题，如光源不一致和重光照外观不一致，最终导致生成的视频出现闪烁现象。为了解决这一问题，研究团队提出了 Light-A-Video，这是一种无需训练的、能够实现时间上平滑视频重光照的方法。Light-A-Video 借鉴了图像重光

近日，Adobe 正式推出其 AI 视频生成工具 Firefly Video 的公开测试版本，允许用户将文本和图像转化为时长最长5秒的短视频，视频分辨率为1080p，帧率为每秒24帧。该工具的推出，标志着 Adobe 在视频生成领域迈出了重要一步，用户可以通过简单的文字指令或者上传图片，快速生成精美的视频内容。Firefly Video 的用户界面友好，允许用户对生成的视频进行多项调整。用户可以选择不同的风格、摄像机角度、运动方式以及构图等，这为创作者提供了极大的灵活性。同时，Adobe 表示未来将推出更快的

一项创新的视频生成技术FlashVideo日前宣布开源，该框架通过独特的双阶段设计，巧妙解决了AI视频生成中速度与质量的平衡问题。FlashVideo采用了类似于网页前端LQIP（低质量图像占位符）的思路，将视频生成过程分为预览和质量增强两个阶段。在预览阶段，系统能以极低的计算成本快速生成视频草稿，让用户得到即时反馈，显著提升了用户体验和商业应用可行性。在质量增强阶段，FlashVideo展现出强大的画质提升能力，能将270P的低分辨率预览视频优化至1080P的高清品质，确保最终成品的观看

据豆包大模型团队官方公众号消息，在北京交通大学和中国科学技术大学的联合研究下，由豆包大模型团队提出的 “VideoWorld” 视频生成实验模型近日正式开源。这个模型的最大亮点在于，它不再依赖传统的语言模型，而是仅凭视觉信息就能认知和理解世界。这一突破性的研究灵感来源于李飞飞教授在 TED 演讲中提到的 “幼儿可以不依靠语言理解真实世界” 的理念。“VideoWorld” 通过分析和处理大量视频数据，实现了复杂的推理、规划和决策能力。研究团队的实验显示，模型在仅有300M 参

2025年1月22日，上海阶跃星辰智能科技有限公司宣布其视频生成模型 Step-Video 正式升级至 V2版本。此次升级带来了显著的技术突破和功能提升，使其在真实世界模拟方面更加强大。

传统的视频理解模型在处理长视频时面临着许多挑战，包括理解长视频所带来的复杂上下文。尽管已有不少研究致力于提升视频理解能力，依然难以有效克服训练和推理效率低下的问题。针对这些问题，研究团队通过 HiCo 技术，将视频信息中的冗余部分进行压缩，从而显著降低计算需求，同时保留关键信息。具体而言，HiCo 通过对视频进行层次化压缩，将长视频分割成短片段，进而减少处理的标记数量。这一方法不仅降低了模型对计算资源的要求，还提升了上下文窗口的宽度，增强了模型

随着视频技术的快速发展，视频已成为信息检索和理解复杂概念的重要工具。视频结合了视觉、时间和上下文数据，提供了超越静态图像和文本的多模态表现。如今，随着视频分享平台的普及和大量教育及信息视频的涌现，利用视频作为知识源为解决需要详细背景、空间理解和过程演示的查询提供了前所未有的机会。然而，现有的检索增强生成（RAG）系统往往忽视了视频数据的全部潜力。这些系统通常依赖文本信息，偶尔使用静态图像来支持查询响应，却未能捕捉视频所包含的视觉动态和

近日，南京大学的研究团队与字节跳动、西南大学联合推出了一项创新技术 ——STAR（Spatial-Temporal Augmentation with Text-to-Video Models），旨在利用文本到视频模型，实现真实世界视频的超分辨率处理。该技术结合了时空增强方法，能够有效提高低分辨率视频的质量，尤其适用于在视频分享平台上下载的低清晰度视频。为了方便研究者和开发者使用，研究团队已经在 GitHub 上发布了 STAR 模型的预训练版本，包括 I2VGen-XL 和 CogVideoX-5B 两种型号，以及相关的推理代码。这些工具的推出标志着在视频处

谷歌正式发布了其新一代视频生成模型 Veo2，旨在与 OpenAI 的 Sora 展开竞争。谷歌表示，Veo2在生成视频时表现出更高的真实感和细腻度。此次更新不仅提升了视频质量，还加强了对现实物理和人类运动与表情细微差别的理解。Veo2的强大功能谷歌表示，Veo2“对现实世界的物理学以及人类运动和表情的细微差别有更好的理解”。它可以在 Google Labs 的 VideoFX 平台上使用，但仅限于候补名单。用户需要通过 Google 表单注册，并等待 Google 在其选择的时间临时授予访问权限。谷歌介绍称，用户可以根

Meta 公司近日发布了一项名为 Video Seal 的新型神经水印系统，该系统旨在帮助识别 AI 生成的视频，即使视频经过编辑也能有效追踪其来源。这种水印对于观众而言是不可见的，但可以通过检测来验证视频的真实性。Meta 将整套系统以 MIT 许可的开源软件形式发布，包括 Video Seal 水印模型、研究论文以及训练和推理代码。此外，Meta 还发布了一个交互式演示，允许用户亲自测试这项技术。除了 Video Seal 之外，Meta 还推出了两款辅助工具:Omni Seal Bench，用于比较不同类型媒体的神经水印性能;以及

以色列科技公司 Lightricks 近日推出了一款名为 LTX Video （LTXV） 的闪电般快速的 AI 视频处理平台。该平台采用先进的人工智能模型，可以在常用的图形处理器 (GPU) 上运行。LTXV 于11月下旬发布，它可以在4秒内生成一个分辨率为768x512的5秒 AI 视频片段，这使其在其他 AI 视频平台中脱颖而出。其20亿个参数使其即使在英伟达 H100GPU 甚至 RTX4090上以每秒30.25帧的速度运行时，也能提供快速的处理时间，且不影响视频的质量和一致性。除了短片段外，LTXV 还支持长篇 AI 视频，为创作者提供了更大的控

如今，Deepfake 已经无孔不入。随着生成式 AI 的普及，网络上的虚假内容呈爆炸式增长。据身份验证平台 Sumsub 统计，2023年至2024年，全球 Deepfake 数量增加了4倍。2024年，Deepfake 占所有欺诈行为的7%，从身份冒充、账户盗用到复杂的社会工程攻击，无不涉及 Deepfake 的身影。为了有效打击 Deepfake，Meta 公司近日发布了一款工具，可以在 AI 生成的视频片段上添加难以察觉的水印。这款名为 Meta Video Seal 的工具于周四宣布开源，旨在集成到现有软件中。 该工具与 Meta 的其他水印工具 Watermark Anything（