正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

国产视频生成框架！能让老黄唱野狼 Disco！大模型竞技场速报！17小时前发布的国产人类视频生成框架—— OmniHuman-1！（一定要开声音看这个视频才震撼！）这个模型的突破有： 1. 首次实现单模型支持音频/视频/文本/姿态任意组合生成视频，突破现有方法只能单一模式的限制。

karminski-牙医

39,092 subscribers

185,812 次观看 • 1 年前 •via X (Twitter)

教育科学技术艺术

Anya Rossi• Live Now

Private livecam show

11 条评论

karminski-牙医的头像

karminski-牙医1 年前

2. 超长时间稳定生成，30秒以上没问题 3. 全条件训练"（Omni-Conditions Training）策略，通过混合文本、音频、姿态等多模态条件信号，解决了传统单条件模型数据利用率低的问题。 4. 通过大规模姿态条件数据训练，解决了端到端音频驱动模型中手部抖动/不自然的长期难题。

karminski-牙医的头像

karminski-牙医1 年前

5. 超强泛化能力，支持非人类图像拟人化动画（如卡通角色）兼容低质量参考图像项目地址：论文：不过模型目前并没有开源。可以等我后续报道进展，如果放出模型我会第一时间放出测评，大家对我的测评速度应该有目共睹（视频均来自官方项目页面）

Akool Inc 的头像

Akool Inc2 年前

Choosing between AKOOL and D-ID for AI avatars or voiceovers? Let’s compare the two and help you make the best choice for your AI-powered video production! 🎥✨

颜选的头像

颜选1 年前

牛。商业模特这个行业，棺材板上被敲上最后一颗钉

仗贱走天涯的头像

仗贱走天涯1 年前

越来越无趣了。

weipengni777 的头像

weipengni7771 年前

第一部AI电影将会很吸金，噱头大，谁会吃第一个螃蟹呢

NiceCamera 的头像

NiceCamera1 年前

搬运的基本没饭吃了

币安交易所高返佣注册(Parody) 的头像

币安交易所高返佣注册(Parody)1 年前

真是震撼

老猫查档查仁的头像

老猫查档查仁1 年前

👍

notice_u 的头像

notice_u1 年前

@readwise save thread

Qist 的头像

Qist1 年前

好像是阿里的，开源

相关视频

字节发布了一个新的视频模型 Goku 还有一个专门为广告视频生成做的的竖屏 goko+ 模型效果非常🐂🍺，老广告人麻了 - 支持直接生成虚拟数字人视频 - 支持从产品图片生成和人物互动视频，保持产品样式 - 支持生成产品展示视频，保持产品样式 - 可以从文本生成广告视频

字节发布了一个新的视频模型 Goku 还有一个专门为广告视频生成做的的竖屏 goko+ 模型效果非常🐂🍺，老广告人麻了 - 支持直接生成虚拟数字人视频 - 支持从产品图片生成和人物互动视频，保持产品样式 - 支持生成产品展示视频，保持产品样式 - 可以从文本生成广告视频

歸藏(guizang.ai)

34,341 次观看 • 1 年前

LTX-2 Model：：开源版Veo3 19B参数的视频模型，能同时生成视频和音频，支持文生视频和图生视频。模型：提示词文档：

LTX-2 Model：：开源版Veo3 19B参数的视频模型，能同时生成视频和音频，支持文生视频和图生视频。模型：提示词文档：

Gorden Sun

14,390 次观看 • 8 个月前

StoryMem：生成多镜头长视频将单镜头的AI视频模型（Wan2.2），增强为多镜头的视频模型，能生成镜头切换的长视频，类似Sora2。 Github：模型：

StoryMem：生成多镜头长视频将单镜头的AI视频模型（Wan2.2），增强为多镜头的视频模型，能生成镜头切换的长视频，类似Sora2。 Github：模型：

Gorden Sun

38,311 次观看 • 9 个月前

2. ClipZap AI 简介-这是一个能将文本和图像转换成视频的人工智能视频生成器，只需点击一次。 →使用市场上最强大的人工智能视频生成模型。

2. ClipZap AI 简介-这是一个能将文本和图像转换成视频的人工智能视频生成器，只需点击一次。 →使用市场上最强大的人工智能视频生成模型。

美酱AI

37,052 次观看 • 1 年前

Warp-as-History：仅用一条视频就能实现交互式视频生成用单条带标注的视频做轻量LoRA微调后，即可让通用视频模型实现跟随视角生成视频。项目里用的这条视频是来自DAVIS数据集里的car-roundabout.mp4。原理是：把相机轨迹产生的变形(warp)伪装成视频模型原生的"历史帧"输入，无需额外的相机编码器或控制分支，就能让预训练视频生成模型跟随指定视角运动。 Github：

Warp-as-History：仅用一条视频就能实现交互式视频生成用单条带标注的视频做轻量LoRA微调后，即可让通用视频模型实现跟随视角生成视频。项目里用的这条视频是来自DAVIS数据集里的car-roundabout.mp4。原理是：把相机轨迹产生的变形(warp)伪装成视频模型原生的"历史帧"输入，无需额外的相机编码器或控制分支，就能让预训练视频生成模型跟随指定视角运动。 Github：

Gorden Sun

11,463 次观看 • 4 个月前

一个模型搞定视频+音频+口型! 你看到的这个就是 LTX 刚刚发布的 LTX-2 开放权重大模型, 这个模型可以文生视频或者图生视频, 这个模型最大的特点是在保证了画质和一致性的同时, 可以生成音频! 而且音频和口型完全适配! 并且说话人神态也非常棒! 模型大小是 19B, 相当可用! 演示视频是我用 HuggingFace Zero GPU 生成的 demo, 10秒视频大概需要5分钟左右生成时间. 我测试目前来看最大的优点就是口型和声音生成得非常好, 并且一致性很高. 指定人物使用什么样的银色就能稳定生成. 当然模型也有不足之处, 主要是还是偶尔能看到模型生成人物皮肤的那种油腻感. 当然官方的 pro 版本在这点上处理的更好, 并且 pro 版本支持4K分辨率输出, 当然 pro 版本是没有开源的.

一个模型搞定视频+音频+口型! 你看到的这个就是 LTX 刚刚发布的 LTX-2 开放权重大模型, 这个模型可以文生视频或者图生视频, 这个模型最大的特点是在保证了画质和一致性的同时, 可以生成音频! 而且音频和口型完全适配! 并且说话人神态也非常棒! 模型大小是 19B, 相当可用! 演示视频是我用 HuggingFace Zero GPU 生成的 demo, 10秒视频大概需要5分钟左右生成时间. 我测试目前来看最大的优点就是口型和声音生成得非常好, 并且一致性很高. 指定人物使用什么样的银色就能稳定生成. 当然模型也有不足之处, 主要是还是偶尔能看到模型生成人物皮肤的那种油腻感. 当然官方的 pro 版本在这点上处理的更好, 并且 pro 版本支持4K分辨率输出, 当然 pro 版本是没有开源的.

karminski-牙医

19,836 次观看 • 8 个月前

Flux3真的很强！终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里主打图像、视频、音频和动作预测的统一架构。它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

Flux3真的很强！终于看到有模型可以有机会挑战Seedance2.0了 FLUX 3 = 更强的多模态生成模型，核心是把图像、视频、音频放进同一个世界模型里主打图像、视频、音频和动作预测的统一架构。它的早期能力重点放在视频生成上，支持最长 20 秒、带原生音频的生成，并且还在推进图像生成与编辑能力开源模型，假以时日优化优化，可以无限接近和挑战Seedance2.0这种商业模型了

huangserva

28,605 次观看 • 2 个月前

又调整了一些细节，全程用 codex 完成的这个视频工作流，一个skill 跑完整个流程，目前基本能 100% 还原和超越抖音爆款视频了。 1、给标题，说一下要讲的书 2、A 读情绪，写文案，人再改文案 3、TTS生配音 4、生图和视频，视频可做可不做，我白嫖了 grok 生视频 5、组装视频和生成剪映草稿这里面视频模型不需要特别的贵的模型，简单模型即可，我本地部署了一个，太压的卡了，太慢了

又调整了一些细节，全程用 codex 完成的这个视频工作流，一个skill 跑完整个流程，目前基本能 100% 还原和超越抖音爆款视频了。 1、给标题，说一下要讲的书 2、A 读情绪，写文案，人再改文案 3、TTS生配音 4、生图和视频，视频可做可不做，我白嫖了 grok 生视频 5、组装视频和生成剪映草稿这里面视频模型不需要特别的贵的模型，简单模型即可，我本地部署了一个，太压的卡了，太慢了

产品经理老王霸

53,188 次观看 • 1 个月前

KlingAI 数字人模型 Avatar 2.0 输入一段音乐音频生成唱歌的视频

小互

17,967 次观看 • 9 个月前

一个能直接跑的 AIGC 平台，支持接入各种 OpenAI 兼容的图片/视频生成 API，前台后台一套搞定。一个前后端分离的 AIGC 平台，前端使用 Vue 3，后端使用 Node.js + Express + MySQL。用户可以配置多个 OpenAI 兼容的 API Provider，绑定图片模型或视频模型，支持文生图、图生图、文生视频、图生视频等多种生成模式。

一个能直接跑的 AIGC 平台，支持接入各种 OpenAI 兼容的图片/视频生成 API，前台后台一套搞定。一个前后端分离的 AIGC 平台，前端使用 Vue 3，后端使用 Node.js + Express + MySQL。用户可以配置多个 OpenAI 兼容的 API Provider，绑定图片模型或视频模型，支持文生图、图生图、文生视频、图生视频等多种生成模式。

Geek Lite

14,631 次观看 • 4 个月前

现在图生视频都在5秒或10秒，10秒的看上去像5秒的慢放，这个无论是在开源模型还是闭源模型上都有类似效果。尤其对于商业闭源视频来说，如果花费一倍以上的成本生成的10秒视频却只是5秒的慢放版，那就显得太不划算了。这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供大家参考。 #女s #les #女仆 #AI视频

Sensitive content

现在图生视频都在5秒或10秒，10秒的看上去像5秒的慢放，这个无论是在开源模型还是闭源模型上都有类似效果。尤其对于商业闭源视频来说，如果花费一倍以上的成本生成的10秒视频却只是5秒的慢放版，那就显得太不划算了。这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供这里尝试一个方案：从商业闭源模型生成5秒视频，然后用插帧模型生成10秒视频，以下是使用Topaz插帧和原生的对比，供大家参考。 #女s #les #女仆 #AI视频

獨自懵逼

20,065 次观看 • 1 年前

基于藏师傅 PPT Skill 的讲解视频生成 Skill，差不多搞定了！ Codex 配合远程控制不在家也可以一键产出视频内容可以用非常低的成本保证视频内容的可用性和表现力这里的视频是我随便找了一个徒步文案一次生成的。主要的内容用前端生成，只有配音和部分分镜使用音频和Seedance 2.0 模型

基于藏师傅 PPT Skill 的讲解视频生成 Skill，差不多搞定了！ Codex 配合远程控制不在家也可以一键产出视频内容可以用非常低的成本保证视频内容的可用性和表现力这里的视频是我随便找了一个徒步文案一次生成的。主要的内容用前端生成，只有配音和部分分镜使用音频和Seedance 2.0 模型

歸藏(guizang.ai)

21,925 次观看 • 4 个月前

看起来 FLUX 3 要发布了。昨天黑森林工作室短暂地上线了一下预告。说是支持图像、视频、音频和动作生成，是一个全模态的生成模型。其中，单条视频支持一次生成 20 秒。按他们正常的逻辑来说，这一般会是开源的。如果真的开源，那整个生态估计又要爽一波了。

看起来 FLUX 3 要发布了。昨天黑森林工作室短暂地上线了一下预告。说是支持图像、视频、音频和动作生成，是一个全模态的生成模型。其中，单条视频支持一次生成 20 秒。按他们正常的逻辑来说，这一般会是开源的。如果真的开源，那整个生态估计又要爽一波了。

歸藏(guizang.ai)

20,305 次观看 • 2 个月前

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

MiniCPM-o4.5：首个开源全模态、全双工模型全模态：支持视频、音频、图片、文本输入，支持音频、文本输出。能实时生成音频，支持语音克隆，支持生成无限长度音频。全双工：不是一问一答，而是能边听边说。支持打断，不仅你可以打断MiniCPM-o4.5说话，MiniCPM-o4.5也会自主决策打断你说话，像是两个真实的人在沟通。这是首个能打断人类说话的模型，Gemini 3 Flash能实现你打断AI说话，但是AI不能主动打断你说话。完全开源，9B参数，本地即可运行。OpenBMB 模型：

Gorden Sun

55,703 次观看 • 7 个月前

NotebookLM 推出了新功能"电影级视频概览"功能就是你把资料丢进NotebookLM，它能自动帮你生成一段沉浸式的视频来讲解这些内容不是简单套模板，而是用Google 最先进的多个 AI 模型自动组合生成的定制视频。目前只对 Ultra 付费用户开放，仅支持英文。

NotebookLM 推出了新功能"电影级视频概览"功能就是你把资料丢进NotebookLM，它能自动帮你生成一段沉浸式的视频来讲解这些内容不是简单套模板，而是用Google 最先进的多个 AI 模型自动组合生成的定制视频。目前只对 Ultra 付费用户开放，仅支持英文。

小互

29,734 次观看 • 6 个月前

果然发布了！ Black Forest Labs 发布和开源 Flux 3 视频生成模型，功能非常强大： 1. 基础生成：支持文生视频、图生视频（可以把图片作为参考，也可以作为起始帧） 2. 视频参考生成：支持基于参考片段的视频生成（即从视频参考生成新视频） 3. 视频与音频延长：支持输入视频和音频，并对两者进行延长 4. 关键帧控制：支持基于关键帧的视频生成 5. 多语言对话与多样化排版：支持多语言对话，并支持非常多的视觉风格和宽高比 6. 智能剪辑：支持将单个片段智能串联成更多、更长的多镜头序列 7. 文字与动画：支持生成文字和生成动画设计 8. 图像输出：不仅能生成视频，也支持图像输出模型会开源，就是 Flux 3 Dev 模型，目前还不能访问，需要申请早期访问。未来几周会开放 API 的访问，之后会开放开源的 Flux 3 版本

果然发布了！ Black Forest Labs 发布和开源 Flux 3 视频生成模型，功能非常强大： 1. 基础生成：支持文生视频、图生视频（可以把图片作为参考，也可以作为起始帧） 2. 视频参考生成：支持基于参考片段的视频生成（即从视频参考生成新视频） 3. 视频与音频延长：支持输入视频和音频，并对两者进行延长 4. 关键帧控制：支持基于关键帧的视频生成 5. 多语言对话与多样化排版：支持多语言对话，并支持非常多的视觉风格和宽高比 6. 智能剪辑：支持将单个片段智能串联成更多、更长的多镜头序列 7. 文字与动画：支持生成文字和生成动画设计 8. 图像输出：不仅能生成视频，也支持图像输出模型会开源，就是 Flux 3 Dev 模型，目前还不能访问，需要申请早期访问。未来几周会开放 API 的访问，之后会开放开源的 Flux 3 版本

歸藏(guizang.ai)

47,252 次观看 • 2 个月前

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,326 次观看 • 4 个月前

AigcPanel 一款由 Vue 实现的简单易用一站式 AI 数字人系统，小白也可使用。支持视频合成、声音合成、声音克隆，简化本地模型管理、一键导入和使用AI模型。

AigcPanel 一款由 Vue 实现的简单易用一站式 AI 数字人系统，小白也可使用。支持视频合成、声音合成、声音克隆，简化本地模型管理、一键导入和使用AI模型。

Geek

58,784 次观看 • 1 年前