LiveAvatar：阿里夸克开源的实时虚拟人模型 能实时生成虚拟人视频（需要5个H800），能生成无限长度的视频且画质不降低。 模型： 项目地址：

美团开源LongCat-Video-Avatar 1.5 应该是目前最佳的开源虚拟人模型，音频驱动生成视频。 项目地址： 模型：

Fun-CineForge：阿里开源的AI生成影视配音 输入视频+文本，AI生成配音，能识别多个角色，能按要求设置配音风格，生成的配音节奏与视频里说话的唇形同步。演示视频的声音效果非常好。 项目地址： 模型：

谷歌也发布了一个根据输入图片和音频就能生成对应人物讲话视频的项目VLOGGER。看起来没有阿里那个自然。 项目简介： 它可以根据一张人物图像,生成由文本和音频驱动的说话人视频。该方法建立在最近生成式扩散模型取得成功的基础之上。 VLOGGER 包含两个关键组件: 1) 一个随机的人体到 3D 运动的扩散模型;... 2) 一个创新的基于扩散的架构,通过时间和空间控制来增强文本到图像模型的能力。 这种方法可以生成高质量、可变长度的视频,并且可以通过人脸和身体的高级表示进行便捷控制。 与之前的工作相比,我们的方法具有以下优势:不需要为每个人单独训练模型;不依赖人脸检测和裁剪;能生成完整的图像(而非仅限于脸部或嘴唇);适用于广泛场景(如躯干可见或身份多样化),这对于正确合成具有沟通能力的虚拟人至关重要。 项目地址：show more

发现一个开源的 AI 视频生成项目，GitHub 已经 7k star 了——InfiniteTalk 它支持图像转视频和视频转视频两种模式，都是语音驱动的。 给一张图片加一段音频，能直接生成说话的视频；给一段已有视频换音频，也能重新配音。... 除了口型同步，还能同时驱动头部运动、身体姿态和面部表情，整体动作会跟着音频联动，不只是嘴在动。 还支持无限时长视频生成，不受时长上限的限制，算是打破了 AI 视频生成的瓶颈。show more

听说短剧公司都在搞Minimax H3 本地版 这是视频生成的 Deepseek 时刻 音视频同出，中国的蒜真的不一样 这蒜力，拿来做口播，要起飞 口播的几个流派：... 1. 不露脸 2. 嘴唇模型，分本地和线上 3. 专属数字人模型 4. 视频生成模型 接下来我口播的一个最后的版图，就是使用音视频同出的模型去做数字人，看看接下来能不能保持人物的一致性，应该问题不大。show more

这数字人效果看起来也太真实了 这是一个叫Tavus的产品，整合了视觉、语音和情感智能，让虚拟人拥有情感表达、情感理解能力 由三个核心模型组成 1、Phoenix-3 实时全脸渲染模型，能生成复杂的微表情和情绪，包括眉毛、脸庞、眼睛等，可以实时调整表情 2、Raven-0 能持续处理视觉上下文，读取情绪，理解情绪变化，并智能回应 3、Sparrow-0 用来控制对话的节奏，判断什么时候该说、什么时候该听，响应速度快... #数字人 #虚拟人 #AI数字人 #Tavusshow more

国内也有自己的 Veo 3 模型了！ 通义今天发布了通义万象 2.5 视频模型 一个重要的更新就是实现音画同步的视频生成能力 支持端到端输出与视频相关的音效、语音，同时可以唇形同步。

字节、港中文等最新搞了一个专用于人-物交互的端到端视频生成模型：OmniShow，妥妥的电商广告专用模型 全模态，一个模型通吃图+音+姿势+文本输入 任务可以覆盖R2V、RA2V、RP2V、RAP2V四种生成模式，目前应该是唯一一个支持同时用图像+音频+姿势+文本混合输入的 人脸保持、物理合理性、表现力及口型同步看起来效果都还可以 原生长镜头生成，最长可生成10秒连续视频 目前代码还没放出来 #人物视频生成模型 #OmniShow #电商视频生成

字节的音频驱动肖像视频生成模型：Loopy，效果看起来非常赞 人物表情动作很到位，叹气、情绪、眉毛眼睛的动作看起来非常自然，可以用于比如虚拟主播、视频聊天、游戏角色等 特点： 1、无需手动指定运动模板：支持根据音频自动生成自然流畅的运动 2、效果逼真： 生成的视频非常自然、生动，接近真实场景 同类项目，比如有Emo、VASA-1、Hedra、HeyGen Expressive Photos等 项目：

阿里马上要发一款语音到视频的模型，WAN 2.2-S2V，把说话声音变成高级影片 由音频驱动，基于视觉构建 开源 #语音生成AI视频

腾讯混元发布视频生成大模型，千题盲测第一，现已全面开源 模型特点： （1）超写实质感：模型生成的视频内容具备高清质感、真实感，可用于工业级商业场景例如广告宣传、创意视频生成等商业应用。 （2）高语义遵循：用户可以进行细致的刻画，例如生成主体的细节，人物概念的组合等。模型可以准确的表达出文本的内容。 （3）运动画面流畅：可生成大幅度的合理运动，运动镜头流畅、符合物理规律，不易变形。 （4）原生镜头转换：模型原生具备自动生成多视角同主体的镜头切换画面，增强画面叙事感。

一款轻量级、能在移动设备上实时运行的数字人模型：Ultralight-Digital-Human 需要准备一段3到5分钟的视频，视频中的人物需要全程露脸，声音清晰无噪音 项目提供了一个康辉老师的口播示例，整体看起来流畅自然，没有明显的卡顿 github： #数字人 （视频做为该项目效果演示，侵删）

酷，浙大、vivo最新出的一款视频虚拟试衣模型：MagicTryOn，服装的时空一致性、稳定性、服装细节都保持的不错，效果可以直接用于电商广告了 支持图像试穿、视频试穿，以及自定义试穿 擅长在比如跳舞这种人体大幅度运动，和复杂场景中试穿 具备泛化能力，可以在玩偶上进行虚拟试衣 其用扩散Transformer取代U-Net架构，来提升模型的表达能力；结合全自注意力机制联合建模视频的时空一致性，确保试衣效果在时间和空间维度上自然流畅 #虚拟试穿 #MagicTryOn #tryon #AI穿衣

兄弟盟，AI 女友真的要来了～ 刚在 GitHub 看到一个挺有意思的 AI 项目，叫 AIRI。 它想做的事情其实很简单：... 做一个真正活着的 AI 虚拟角色。 不是普通的聊天机器人， 而是一个 AI 虚拟伙伴 / AI VTuber。 你可以和她： - 语音聊天 - 一起看视频 - 一起玩游戏 - 甚至让她帮你打 Minecraft 关键是这个项目 完全开源，而且可以自己部署。 也就是说，你可以拥有一个： 会聊天、会记住你、还能互动的 AI 数字人。 技术也挺硬核： - WebGPU + WebAssembly - 支持 OpenAI / Claude / Gemini 等大模型 - 还能接 Live2D、VRM 角色模型 未来的 AI Companion，大概率就是这个形态。 如果你在关注： AI Agent AI 虚拟人 AI 陪伴产品 这个项目真的值得去看看。show more

用Seedance2.0生成了一个视频，文案如下: 帮我生成一个视频：请生成儿子与女儿在遇龙河富里桥下玩水的30秒视频。模型 2.0，比例 9:16，时长 10s。 然后一分钟后出来这样一个视频，这特么是AI？？？？

阿里最新放出来了一款全新端到端角色图像动画框架：Wan-Animate-2，实时驱动角色，延迟极低 Wan-Animate-2的一大核心是实时交互，直接解锁直播主播、交互式数字人场景 首先，Teacher forcing+错误缓冲+Self-Forcing蒸馏+逐块反向传播三阶段训练，这套组合拳把延迟压到了实时，把从几分钟生成一段视频变成实时流式生成 其次是端到端不需要中间运动提取，之前的方法先提取骨骼/关键点再驱动，提取一错角色就崩 再就是驱动视频的拍摄角度和输出视角可以分开 以前驱动视频是从什么角度拍的，生成的视频就只能是什么角度，想让角色换个机位做不到，或者需要额外复杂的相机控制流程 现在直接打字就能改变输出视频的机位，动作和视角完全解耦 从效果上看，复杂动作、精细表情和物理合理性上复制的还可以，支持单人到多人、多人到多人、跨身份的动作迁移... #图像驱动动画视频 #虚拟人 #虚拟主播 #WanAnimate2show more

seedance 2.5实在太贵了， 继续玩Grok，这个15秒视频是Grok一次生成，0抽卡， 目前视频大模型也就Grok能与之一战了吧🤔

MiniMax H3 正式开源发布 目前最强开源视频生成模型！ 分辨率最高支持 2K、时长最长 15 秒生成. H3-Base-FL2VA... 模型支持 文生视频 (Text to video ),图生视频(Image to video),首尾帧(First-and-last-frame-to-video generation) H3-Base-Ref2VA 模式支持视频编辑. 最高支持9张参考图，15秒参考视频，15秒参考音频 输入！ Example 1920 x 1088 本地直接运行生成 显卡5090 运行MiniMax H3 模型最低要求 显存 6G 内存32G qwen3vl fp4+ minimax ref2va_pruned_int8 更多详细 例子说明， 整合包下载 请关注我show more

生成视频已经满足不了人类的欲望了，生成世界才是未来！地球Online的虚拟世界版要来了。。。​ ​ 以前我们玩游戏都是一个固定好的世界，比如绝地求生、英雄联盟或者王者荣耀。。。但是我曾经还是畅想过在一个完全「未知」的世界升级打怪，不过从来没觉得这会变成现实，但是最近有一个词叫做「世界模型」非常火，我已经不止一次听说过它的名号。​ ​ 世界模型的定义是：一种能够学习并模拟环境状态变化的 AI 模型。 它能根据过去的观察和当前动作，预测：当前状态+动作→下一个状态。例如：汽车当前速度、道路情况、方向盘操作→汽车下一秒的位置和周围环境。​ ​... 也就是说如果置身「世界模型」之内，未来的每一刻都会根据你上一刻的行为而变化，这就很有意思了，如果大家都玩由「世界模型」支撑的游戏，那么每个人的游戏体验都会是独一无二的，这真的有可能颠覆现在的传统行业。​ ​ 之前更多停留在“听说”的阶段，但是 Alaya World 可能真的会让这个想法第一次变为现实，我在它的官网做了一个demo——选择魔法，整个世界为之变色👇。​ ​ Alaya World模型以 720p / 24 FPS 实时流式生成了可探索的世界。而且生成过程中可以自由移动来调整视角，通过提示词随时召唤魔法，并支持超过 1 分钟的稳定长时连续生成。​ ​ 但是除了“好玩”之外，「世界模型」肯定会比单纯生成视频更加烧钱，那为什么这些像Alaya Lab这种顶级实验室都在往里面疯狂砸钱。它到底能通过什么方式变现？我特意查了一下它的应用场景，不查不知道，一查吓一跳，「世界模型」真的是在下一盘大棋：​ ​ 1.帮机器人训练提效降本：在虚拟环境里模拟不同物体、房间和突发情况，让机器人反复练习抓取、行走和操作，不需要在现实中摆放物品，减少设备损坏的风险，从而降低训练成本。​ ​ 2.帮助自动驾驶测试危险场景：模拟行人突然出现、前车急刹、暴雨大雾等现实中很难主动制造的情况，让自动驾驶系统提前进行大量测试，提高安全性。​ ​ 3.帮助游戏和影视生成场景：生成可以移动和互动的虚拟空间，从而减少游戏地图、影视场景和3D内容的制作时间。​ ​ 4.帮助企业提前模拟现实决策。工厂、仓库或建筑公司可以先在虚拟环境中测试设备摆放、生产流程和人员路线，确认方案是否合理后，再在现实中实施，减少试错成本。​ ​ 所以对应的「世界模型」可以通过卖API和算力赚钱、通过软件订阅赚钱、通过企业定制赚钱，简单来说，现在AI视频模型能盈利的渠道它都有，而且甚至能够更广泛。​ ​ 我感觉我每一次赚钱都是抓住了风口，包括Youtube shorts的YPP、小红书虚拟AI产品、X AI自媒体，那下一个关于AI的机会在哪？我很看好「世界模型」，接下来我也会更加仔细研究这个赛道，希望在下一个十年不会下桌🫡​ ​ Alaya Word也已经开源： 相关技术论文感兴趣的朋友也可以去读一下（我是让AI解释的哈哈哈）：show more