「图像到视频」共找到 3220 篇相关文章
SeeDance 2.5：AI 一次能出 30 秒视频，被重新定价的是这几层人
7 月初，字节在火山引擎 FORCE 大会上放出 SeeDance 2.5，它能一次性生成 30 秒完整成片。文章详述其能力，提出视频生成的不可能三角判断框架，还分析它会重新定价产业链上多个环节，改写产出随机性。
从VLA到RoboOmni，全模态具身新范式让机器人察言观色、听懂话外音
复旦大学等联合推出全模态端到端操作大模型RoboOmni，统一多模态，实现动作与语音协同控制。它重新定义机器人交互范式，让机器人具备“察言观色”能力，还构建了OmniAction数据集，实验表现全面领先。
8秒极速生成！复杂场景图像定制低成本轻松驾驭，已开源丨字节北大联合发布
字节跳动与北大联合推出支持多条件组合的统一图像定制化生成框架DreamO，能实现主体、身份等多样化定制。与商业大模型比，它开源、成本低、速度快，8 - 10秒可完成图片定制。
用AI把一段视频变成可视化网页，Google的新模型又卷飞了。
Google更新Gemini 2.5 Pro至05 - 06版。此版代码能力在WebDev Arena盲测登顶，超Claude 3.7 Sonnet；还提升视频理解，可将视频转为可视化网页，虽有产品打磨问题，但进步值得肯定。
5.6K Star！原本付费现在开源！本地版“ElevenLabs”，视频翻译+声音克隆全免费！
今天给大家安利GitHub上开源神器Voice - Pro，它原本是商业付费软件，因团队无暇管理而开源。整合多个先进语音模型，将视频处理流程打包成本地软件，免费且功能强大。
ICLR 2026 | 异常需要定义！中传团队提出开放世界视频异常检测新范式
现有视频异常检测（VAD）方法泛化能力不足，无法适应开放世界需求。中传吴晓雨团队在ICLR 2026发表论文，提出LaGoVAD模型，联合建模视频与异常定义，解决样本密度下降等问题，实验显示泛化性强。
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。
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。