「图像到有声视频」共找到 1340 篇相关文章
真碾压Sora了！谷歌Veo 3首次实现音画同步，视频模型直接「开口说话」
谷歌正式发布Veo 3，它能生成高质量视频，还能理解原始像素，自动生成与画面同步的对话、多种音效。得益于DeepMind的V2A底层技术，其音画合成功能领先。虽有时长和使用门槛限制，但已足够震撼。
重新定义检索！一款真正“跨模态”的 RAG 模型来了！用音频搜视频、文本找音乐！
传统RAG有速度慢、细节丢失等问题。Vidore开源的ColQwen - Omni 3B多模态RAG模型，支持跨模态检索，能直接处理音视频原始数据，保留细节，检索速度快，还具备轻量高效等特性，适用于多场景。
Artificial Analysis 榜单第二，SkyReels-V4 宣告 AI 视频进入「全栈统一」阶段
昆仑天工的 SkyReels-V4 在 Artificial Analysis 文生视频榜单排第二，ELO 评分 1090。它有「运动参考」能力，能覆盖视频创作全工作流，背后靠统一拼接框架和双流 MMDiT 架构，体现 AI 行业「统一」趋势。
NeurIPS 2025 Spotlight | 你刷到的视频是真的么？用物理规律拆穿Sora谎言
随着生成式AI发展，合成视频以假乱真，现有检测方法难泛化。本文介绍发表于NeurIPS 2025的文章，提出NSG统计量和NSG - VD检测方法，对未知生成范式检测效果好，实验表现超越现有方法。
港大联合字节跳动提出JoVA: 一种基于联合自注意力的视频-音频联合生成模型
香港大学联合字节跳动提出视频 - 音频联合生成框架 JoVA，支持音视频 Token 跨模态交互，引入嘴部区域特定损失解决口型同步问题。实验显示，它用约 190 万条数据就达先进水平。
阿里AI 重磅第4发：电影级MOE 视频模型Wan2.2正式开源！
阿里通义团队开源电影级视频生成模型Wan2.2，将光影、色彩、镜头语言装进模型，支持60多参数自由组合。它是业界首个用MoE架构的视频生成模型，推理省计算资源，性能超主流模型，获国外网友盛赞。
刚刚，国产视频模型登顶全球第一！给谷歌Veo上了一课，还把钱给挣了
国产视频生成模型SkyReels V4在第三方榜单中登顶全球第一，压过谷歌Veo 3.1等。它能力强大，解决视频AI老毛病，支撑昆仑万维短剧平台DramaWave，构建了完整AI生态闭环。
Medeo 教程：一次生成无脑抽卡不可取，真正的视频 Agent 应该啥样
本文介绍AI视频生成Agent Medeo 1.0版本，它支持短或超长提示词，泛化性好，多种垂类视频都能做。文中介绍其基础操作、展示案例和提示词，还剖析了能兼顾质量与灵活度的原因，目前产品在内测将全量上线。
腾讯混元图像3.0开源榜一，工业级800亿参数可商用，附提示技巧
28日，腾讯开源800亿参数的工业级原生多模态生图模型HunyuanImage 3.0，个人和月活≤1亿公司可免费用。它是全球参数量最大、性能最好的开源图像生成模型，技术强、评估表现优，官方还整理了提示词手册。
ICML25 | 让耳朵「看见」方向！仅依靠360°全景视频，就能生成3D空间音频
空间音频技术成提升沉浸式体验关键，但现有技术未充分利用360°全景视频空间信息。OmniAudio研究可直接从360°视频生成空间音频，相关代码和数据集已开源，虽有局限但前景好。