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（

亚马逊正在测试一项新功能，为 Prime Video 用户提供更加智能的内容推荐。这项名为 “AI Topics” 的功能，采用人工智能技术，而非传统的推荐算法，旨在根据用户的兴趣定制观看内容。如果你参与了测试，将会看到一些新鲜的内容推荐类别，例如 “脑洞大开的科幻”、“奇幻探险” 或 “紧张刺激的人物旅程”。每个类别下都将汇集相关的电视剧、电影以及直播频道，确保用户能够轻松找到符合自己口味的节目。用户可以进一步通过选择与当前类别相关的话题来细化推荐内容。亚马逊表示

随着深度伪造技术的普及，网络上虚假内容的数量激增。据 ID 验证平台 Sumsub 的数据，从2023到2024年，深度伪造的数量增长了四倍，2024年深度伪造内容占所有欺诈的7%。这其中包括身份冒充、账户接管以及复杂的社会工程攻击等各种形式。为了应对这一挑战，Meta 公司最近推出了一款新的水印工具 ——Meta Video Seal，旨在为 AI 生成的视频片段添加几乎不可察觉的水印。该工具已开源，并且设计上能够与现有软件无缝集成。Meta Video Seal 加入了 Meta 现有的其他水印工具，如 Watermark Anything 和 Audi

随着生成式人工智能的商业化，网上虚假内容的数量急剧增加。根据身份验证平台Sumsub的数据显示，从2023年到2024年，全球深度伪造的数量增长了四倍。2024年，深度伪造占所有欺诈行为的7%，涉及从冒名顶替、账户接管到复杂的社会工程活动等多种形式。为应对这一问题，Meta发布了一款新的工具——Meta Video Seal，旨在通过在AI生成的视频中加入不可察觉的水印来打击深度伪造。这款工具于周四开源发布，旨在便于集成到现有的软件中，并与Meta之前推出的其他水印工具Watermark Anything和Audio Se

阶跃星辰宣布视频生成大模型 Step-Video 开启内测，用户可在跃问视频官网申请内测资格。Step-Video模型目前支持从文本生成视频（文生视频），能够生成高达1080P分辨率、最长10秒的高清视频，平均需要2.5分钟来完成一条视频，但其在自动优化提示词、美学风格表现以及运动控制方面展现出了显著优势。

近日，视频生成人工智能企业 Runway宣布推出其最新功能 “Expand Video”，这一创新工具将帮助用户通过简单的文本提示，轻松在原始视频画面基础上生成额外的视觉内容。用户不仅可以自由调整视频的比例，还能确保扩展后的画面在视觉效果上的统一性，提升视频的灵活性和专业性。“Expand Video” 功能的推出，让用户能够通过多次扩展，创造出如 “快速变焦（crash zoom）” 和 “拉远镜头(pull-back shot)” 等具有动态效果的摄像体验。这意味着，静态的视频画面可以通过这一功能转变为更加生

视频编辑平台 InVideo 近日推出重磅升级版本 v3.0，引入了基于人工智能的文本生成视频功能。用户只需输入文字提示，即可创建真人实拍、动画或二次元风格的视频内容，并可针对 YouTube、Instagram Reels 和 LinkedIn 等不同平台进行定制化调整。这项新功能虽然依赖第三方 AI 模型构建，但用户可以通过追加文字提示对视频进行实时动态编辑。InVideo 为此专门推出了名为"Generative Plan"的订阅计划，起步价为每月120美元，可生成15分钟的视频内容，用户可根据需求购买更多时长。尽管这次升级显著提升

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。

亚马逊Prime Video平台迎来重大更新。其标志性的X-Ray功能再添"AI智能助手"，全新的X-Ray Recaps功能正式亮相，让观影体验再上新台阶。X-Ray一直是Prime Video最受欢迎的功能之一，能够实时展示演员简介、背景音乐、拍摄花絮等丰富信息。而这次推出的X-Ray Recaps则通过生成式AI技术，将这一体验推向了新高度。据亚马逊官方介绍，X-Ray Recaps能够根据观众当前观看进度，智能生成个性化的内容概要，无论是整季剧集梗概、单集剧情回顾，还是某个片段的详细解说，都能轻松应对。这意味着，当你跟

亚马逊的 Prime Video 正在推出一项名为 “X-Ray Recaps 新功能，这是一种利用生成式人工智能技术的工具，旨在帮助用户快速回顾他们正在观看的节目。根据亚马逊在其博客中发布的信息，X-Ray Recaps 可以生成包括整个季节、单集及单集片段在内的文本摘要，用户无需从头观看便可了解关键情节。这一新功能将通过节目详细信息页面或在观看节目时的 X-Ray 功能进行访问。它能够分析不同的视频片段，并结合字幕或对话，生成有关关键事件、地点、时间和对话的详细描述。这意味着用户可以轻松

当前，多模态大型语言模型（MLLM）在视频理解领域取得了显著进展，但处理超长视频仍然是一个挑战。 这是因为，MLLM 通常难以处理超过最大上下文长度的数千个视觉标记，并且会受到标记聚合导致的信息衰减的影响。 同时，大量的视频标记也会带来高昂的计算成本。为了解决这些问题，智源研究院联合上海交通大学、中国人民大学、北京大学和北京邮电大学等多所高校提出了 Video-XL，这是一种专为高效的小时级视频理解而设计的超长视觉语言模型。 Video-XL 的核心在于“视觉上下文潜在

​北京智源人工智能研究院联合上海交通大学、中国人民大学、北京大学和北京邮电大学等高校推出了一款名为Video-XL的超长视频理解大模型。这款模型是多模态大模型核心能力的重要展示，也是向通用人工智能（AGI）迈进的关键步骤。与现有多模态大模型相比，Video-XL在处理超过10分钟的长视频时，展现了更优的性能和效率。

最近，Salesforce AI 研究团队推出了一款全新的多模态语言模型 ——BLIP-3-Video。随着视频内容的快速增加，如何高效处理视频数据成为了一个亟待解决的问题。这款模型的出现，旨在提升视频理解的效率和效果，适用于从自动驾驶到娱乐等各个行业。传统的视频理解模型往往是逐帧处理视频，生成大量的视觉信息。这一过程不仅消耗了大量的计算资源，还极大地限制了处理长视频的能力。随着视频数据量的不断增长，这种方法变得愈发低效，因此，找到一种既能捕捉到视频的关键信息，又能

近日，智谱AI宣布，视频通话API:GLM-4-Plus-VideoCall上线开放平台开放申请。据介绍，这是清言视频通话背后的模型，能够实现视频通话和语音多轮交互等跨模态能力，有望成为推动人机交互革新的新范式。

在 AI 浪潮席卷全球的今天，语言障碍不再是知识共享的绊脚石。VideoLingo，这款革命性的视频翻译和本地化配音工具，可以一键为你带来 Netflix 级品质翻译视频，带来了人工智能视频翻译的新方式。VideoLingo 是一款全自动视频本地化工具，支持生成 Netflix 品质的字幕！支持多种高质量配音方案！在人工智能加速提升内容生产效率的背景下，VideoLingo 强大的功能帮助全球视频内容创作者和翻译者提供了跨越语言障碍的解决方案。本文将详细介绍 VideoLingo 的相关信息，帮助您全面了解这款产品。

在游戏开发领域，大模型逐渐成为不可或缺的“智囊团”，从AI角色生成到场景构建，展现全面能力。然而，游戏场景理解、图像识别与内容描述仍需提升。加拿大阿尔伯塔的研究团队推出开源大模型VideoGameBunny（VGB），针对游戏开发优化，具备多语言支持、高度可定制性、强大的文本生成能力、开源易访问性、兼容多种开发环境、丰富的模型文件和活跃社区支持。VGB支持多种功能，如游戏对话系统、教育应用、客服聊天机器人等。其核心组件Bunny模型，通过多层感知器网络将视觉信息转换为图像标记，高效处理游戏数据。通过与Meta开源LLama-3-8B结合使用SigLIP视觉编码器和S2包装器，VGB能够捕捉游戏视觉内容的多尺度特征，理解游戏环境，并生成匹配游戏图像的指令数据，如简短和详细的标题、图像到JSON的描述及基于图像的问答，从而提升游戏的互动性和沉浸感，成为开发者和玩家的强大助手。