Fliki 評測:AI 語音自然,但生成影片往往需要大量修改
作者實測 Fliki 後發現,平台的 AI 語音聽感自然,但三項測試的成片均未能直接發布,仍需編修。測試涵蓋文章轉影片、AI 生成解説片,以及聲音克隆和西班牙語配音;克隆聲音聽起來機械,保留原聲的配音功能測試失敗。1:06 的素材影片約耗用 2.15 個免費點數,作者亦認為點數消耗難以預測。
作者實測 Fliki 後發現,平台的 AI 語音聽感自然,但三項測試的成片均未能直接發布,仍需編修。測試涵蓋文章轉影片、AI 生成解説片,以及聲音克隆和西班牙語配音;克隆聲音聽起來機械,保留原聲的配音功能測試失敗。1:06 的素材影片約耗用 2.15 個免費點數,作者亦認為點數消耗難以預測。
騰訊近日低調上線微信小程序「綠泡泡短劇」,主打「免費好劇,一點就看」;劇集全部免費,但劇集之間會插播廣告。小程序設有「免費劇場」「刷一刷」和「我的」三部分,「免費劇場」包括 AI 劇、真人劇、每日上新、動漫劇等欄目;上下滑動「刷一刷」即可瀏覽沉浸式推薦流。
央視近日調查中國內地新興的 AI 人臉授權兼職市場,普通人每部短片授權費約人民幣 100 元(約港幣 HK$108),平台一般抽取約 30% 佣金。部分平台的使用選項包括親密戲及死亡戲;業界人士指出,AI 虛擬人臉製作成本可低至人民幣 10 元(約港幣 HK$10.80),一般用戶未必有人購買其肖像。部分平台授權協議未清楚列明使用場景、期限和範圍,肖像遭二次使用後亦可能難以追查。
OpenAI 宣佈與 AI 影片生成平台 Higgsfield 合作,接入 GPT-6 Astra 後,Higgsfield 的 AI 影片生成時長上限由 1 分鐘提升至 10 分鐘。Higgsfield 表示,該能力可透過創意智能體調用外部工具處理 3D 建模,維持角色、場景及視覺細節一致;其 YouTube 頻道團隊已用此流程製作超過 10 分鐘的教學影片,減少人工製作工作。
Higgsfield 藉助 GPT‑6 Astra,將 AI 影片製作時長由約 1 分鐘延長至超過 10 分鐘,並以 AI 工作流程製作超過 10 分鐘的教學影片。GPT‑Image‑2.5 協助小型企業製作文字和資訊圖表更精準的宣傳內容,Codex 則讓創意團隊將構想轉為軟件原型。
Grimes 的《Accelerando》音樂影片使用 AI 生成元素,並有 70 多名藝術家及製作人員參與製作。發言人表示,歌曲及人聲錄製沒有使用 AI;AI 元素只是納入更大型的 VFX 流程作輔助。整個製作歷時兩至三個月,片尾名單列有多名「AI artists」。
RTAformer 是一種用於影片場景圖生成(VidSGG)的 Transformer,獲 ACCV 2026 接收,旨在解決關係改變後,時間模型仍保留過時關係預測的問題。
Orbia 提出一套評測基準,透過受控探索與重訪,系統評估互動式影片世界模型的 3D 一致性。基準涵蓋輸入保留、生成內容持續性及 3D 自洽性,收錄室內外環境共 720 個實例及六種探索與重訪協議。評估涵蓋 27 個以文字、動作及鏡頭為條件的模型。
研究提出 Speculative Sampling,透過快取預測並逐步交付結果,讓互動影片生成採用較大的雙向窗口,降低延遲而不犧牲畫質。方法以噪聲 latents 作填充擴展建模窗口,並在條件不變時重用預測;尚未提交的未來預測仍可替換。這為互動串流系統部署大型雙向模型提供途徑,無須複雜的串流後訓練。
開源智能體 DeltaStreamer 可持續觀看影片、記錄事件,並在記憶不足時回看視覺證據,以理解串流影片。它會比較連續抽樣影格,建立連結至原始視覺證據的結構化文字記憶,並按查詢檢索記憶及重看過往影格。在 OVO-Bench 和 StreamingBench 評測中,DeltaStreamer 整體表現優於多種現有方法;程式碼及可本地部署的互動示範亦已提供。
RepForcing 以表徵空間監督取代中間教師軌跡回歸,改善少步自回歸影片生成的初始化品質。四步採樣並經 DMD 後,RepForcing 的分塊模型相較因果 ODE 基線,VBench Total 由 84.04 升至 84.66(+0.62 分),VisionReward 由 6.326 升至 10.074(+59.25%)。
ComfyUI 現可透過自訂節點在 NVIDIA RTX GPU 本機執行 NVIDIA VFX Nodes,提供最高 4× 升頻、2× 至 16× 補幀及 SDR 轉 BT.2020 HDR。
AI 影片製作流程涵蓋資料匯入、腳本、分鏡、素材生成、剪輯組裝及最終 QA 六個階段,每個階段都應設置檢查關卡,及早發現錯誤。文中建議核對腳本事實與時長、確認產品畫面和素材一致性,並檢查字幕可讀性、音訊及不同格式的輸出;最終由未參與製作的人按原始要求完整審看。Axiom Lab 的客戶在最終影片通過 QA 後才付款,該公司表示這樣可避免團隊放行品質存疑的作品。
電影導演兼製作人 Mike Burns 在沒有編程經驗的情況下,使用 Lovable 打造 MVP(Movipods Virtual Producer),把 AI 生成影片、音訊及故事創作工具整合到單一工作流程。MVP 目前以封閉測試版供製作公司及頂尖 AI 創作者使用,並在更廣泛推出前持續完善工作流程及加入新模型。
Lovable 擴展應用程式建置能力,現可分析檔案及連接的應用程式資料,並生成可供編輯及下載的文件,以及可下載的圖像和影片。支援 PowerPoint、Word、PDF、CSV、Excel、JSON、XML、JPEG、PNG、GIF、WebP、文字檔及影片。其 AI 智能體可在安全環境中執行程式碼和小型腳本,用於數據分析、檔案處理及格式轉換。
Apple 於 2026年10月13日發佈第4代 Apple TV 4K,加入 Siri AI、A19 晶片及內置遠場麥克風,售價 $299(美國)。Siri AI 以 beta 形式於 tvOS 27.2 提供,適用於 Apple TV 4K(第2代或之後),先在美國、澳洲、加拿大、印度、新西蘭、新加坡、南非及英國以英文推出。預訂於發佈當日開始,門市於 2026年11月13日開售。
企業影片自動化新創 Clueso 完成由 Dharana Capital 領投的 Series A 融資,募得 $10 million,累計融資逾 $12 million。Clueso 以自主 AI agents 自動製作企業影片,並可按用戶要求修改影片。Zendesk 表示,使用 Clueso 後生產力提升逾五倍,影片製作成本減少 80%。
ManimGX 是一款開源動畫引擎,採用 Rust + wgpu GPU 核心,面向 AI 智能體生成數學講解及 3D 影片。它保留 Manim 的 Python API,渲染速度較傳統 Manim 大幅提升。GPU 加速的確定性渲染,令 AI 智能體一次生成完整影片成為可能。
報道指,OpenAI 正與一家專注電影製作 AI 影片技術的隱身初創公司洽談,擬把已停運的 Sora 交由對方改造為專業影視工具。初創公司計劃接管並改造 Sora 平台,再以該技術開發及銷售面向影視製作方的軟件或服務。雙方尚未敲定合作條款,初創公司能否取得 Sora 模型權重亦未明;OpenAI 此前已關閉 Sora 消費級應用和網頁平台。
作者用 Bram Studio 試驗智能體製作軟件示範影片,Claude 根據螢幕錄影及電腦上的工具,草擬出一段兩分鐘、剪輯緊湊並標註音訊調整過程中 FFmpeg 操作的影片。Bram Studio 是作者用 Bram 建立的螢幕示範編輯工具;他主張保留智能體按專案需要調整處理流程的空間,讓軟件成為可由用戶塑造的工具。
AI 剪輯正在改變影片製作分工與收費,原本流向剪輯師和軟件公司的部分支出,開始轉向模型、算力及自動化服務。平台型公司、專業軟件商、AI 原生工具和影片模型公司,正從不同環節爭奪影片製作流程。文章指出,AI 降低剪輯成本的同時也帶來推理開支,服務能否掌握用戶入口並帶來商業成果,將影響其定價空間。
Descript 推出多項產品更新,新增整個雲端硬碟的搜尋功能,並讓 Enterprise 雲端硬碟用戶可透過非同步錄影邀請他人提交錄影。AI Speech 改用 ElevenLabs v4,付費方案的影片生成預設使用 MiniMax H3 Max Turbo,免費方案則使用 PixVerse V4.5。
OpenAI 正與一家專注電影製作 AI 影片技術、名稱未公開的初創公司談判,計劃移交已停運的 Sora,讓其轉為專業影視工具。該公司計劃接管並改造 Sora 平台,開發和銷售面向影視製作方的軟件或服務。合作條款尚未敲定,該公司能否取得 Sora 模型權重仍未明。
H-DDCM 以隱式隨機 Hadamard 字典及免查表字典序編碼,取代稠密 Gaussian 碼本,降低免訓練生成式圖像與影片壓縮的記憶體及計算開銷。快速 Walsh-Hadamard 轉換以 O(d log d) 計算量完成投影與重建,記憶體用量為 O(d)。該方法亦支援自回歸影片 flow 模型,可在單張 GPU 上進行長片段、接近即時的生成式影片壓縮。
研究提出簡化匹配蒸餾(SMD),以簡單的在策略速度回歸作為少步擴散生成的基礎。SMD 加入僅用於訓練的 Pivot 殘差代理,並令學生模型遠離較弱的教師預測;整套方法不需線上分數估計或對抗訓練,部署時生成器維持不變。在 4-NFE 下,SMD 勝過強力少步基線,並在多項基準測試中超越多步教師,規模可達 33 billion parameters。
MFVSR 提出大型多風格影片字幕移除評測基準,以細粒度、空間解耦的協議評估修復保真度、內容保留、時間一致性及可靠性。基準包含來自 Real-HQ、Real-LQ 和 AI-Generated 的 3,000 段配對影片,以及 953 段真實場景影片,涵蓋 16 種語言和四類字幕特徵。六種代表性方法的實驗顯示,局部修復、區域外保留、時間一致性與整體可靠性之間存在差異。
AI 劇憑短集數、密集情緒回饋和持續供給吸引觀眾追看,但行業同時面對爆款率低及內容同質化問題。上半年全網累計上線 AI 新劇超 22 萬部,播放量破億的 AI 短劇有 1055 部,爆款率為 0.47%。平台亦調整分成和獎勵政策,但高產能與精細製作之間存在張力。
作者從一段疑似由 AI 生成的無尾熊與貓互動影片出發,反思自己即使多年研究 AI 影像與影片,也已無法再完全相信眼前所見。研究顯示,截至 2025 年底,人們辨識 AI 生成圖片的準確率為 54%;文章並探討內容認證與監管的侷限,以及把判斷交給制度可能帶來的問題。
DF26 研究以新一代 AI 生成影片測試深偽檢測器,發現多款以 FaceForensics++ 訓練的檢測器表現大幅下滑。在 CelebDF++ 上 AUROC 達 94.3 和 92.3 的兩種時間序列檢測器,在 DF26 上分別降至 48.2 和 61.6;DF26 的最高 AUROC 為 69.7。DF26 共收錄 2,691 段影片,人工辨認其中合成影片的準確率為 52.6%。
MachGen AI 聯合創辦人兼 CEO Kismat Singh 在訪談中表示,公司正為擴散模型建立專用推理及微調技術堆疊,以加速圖像與影片生成。MachGen 稱,使用原始、未蒸餾模型時,部分圖像模型延遲降低約 4–6x,若干影片模型約 6x;HiDream 用時 1 秒,Wan 2.2 用時 16.5 秒。圖像模型推理成本降低 2–4x,影片模型降低 2–3x。
ShengShu Technology 於 2026 年 10 月 7 日推出 Vidu Q4 Preview 公開預覽版,起始價格為每秒 $0.014。預覽版可透過 Vidu 網頁產品及 API 使用,支援最多 15 張圖片和 3 段音訊參考,輸出可達 4K、10-bit 色深。公司稱,在輸出規格及計費條件相若時,同一預算可提供最高五倍產出。
AI 低質生成影片正大量湧入 YouTube,利用相似標題、誇張縮圖及高頻上載迎合推薦機制,令原創內容更易被淹沒。觀眾能察覺複製聲線、素材畫面與重複文稿的違和感,卻未必能確定內容是否由 AI 生成;部分人轉向有主持人的頻道,也有人把這類影片當作背景消遣。創作者則更著重個人風格,或以 AI 協助製作而保留自身觀點。
Meta 已在 Instagram iOS 和 Android 的 Instagram Live 直播接入中部署 MoQ,這是基於 QUIC 的開放標準傳輸協定。經過數月測試,MoQ 路徑在串流品質指標及可靠性指標上與 RUSH 持平,達到本階段目標。部署期間,邊緣節點將 MoQ frame 轉換為現有後端可處理的 RUSH 格式,無須同步改動下游系統。
Panasonic 與 Google 達成合作,將結合 Panasonic 的可視對講及監控技術,以及 Google 在 GenAI 和雲端方面的優勢,共同開發新一代家居保安方案。方案將利用 AI 影片分析,高精度識別可疑行為和異常事件,並按家庭成員組合及生活方式提供個人化通知和建議。雙方亦會透過雲端整合簡化用戶體驗、減輕營運負擔,並藉軟件更新及雲端 AI 持續增強功能。
RAR 是一套讓互動世界模型以可控時間速率進行展開的框架,旨在解決生成速率與模型學得的時間速率不一致,以及時間粒度與物理時長難以兼顧的問題。其核心 Stride-RoPE 將不同速率取樣的潛在影格對齊至共同物理時間座標,支援多速率展開、未見速率泛化及即時切換速率並保留歷史。RAR 亦透過多步幅影片取樣聯合學習細粒度動態與長時程演化,並可遷移至預訓練世界模型,同時保留感知品質。
Moore Threads 與 vLLM-Omni 團隊以 torchada 在 MUSA 上運行 MAGI-2 Preview,272p 單步測量為 565 ms。
VEDJE 將影片壓縮成小型、具時間結構的快取,再以 33M 參數的聯合編碼器進行影片文字檢索。它在 MSR-VTT 取得 59.8 R@1,線上參數量比 LamRA 少約 49×;每段影片的快取為 48 KiB,較原始視覺特徵小 128.5×。保留壓縮後的時間結構有助檢索,特徵變化預測目標亦能提升檢索表現,且不增加推理時計算。
EventLens提出以事件結構恢復訓練影片理解的視覺導向強化學習框架,並以確定性獎勵進行專項 GRPO 訓練。Qwen3-VL 骨幹實驗顯示,時間定位及事件敏感推理表現提升;在保持一般影片問答表現及取得相若下游遷移效果的同時,訓練成本較直接混合 RL 優化大幅降低。
CineRecon 基準評估前沿模型透過智能體,從參考影片重建可編輯動態 3D 場景的能力,收錄 50 段參考影片及 360 段標註評測片段。研究以 Proxy、Simplified 和 Detailed 三種表示設定評測 12 個模型,發現模型在鏡頭、靜態及動態一致性方面均有失誤;即使在 Proxy 設定下,主體動作和互動仍難以重現。
FramePack-U 以免訓練的影格封裝框架,將任意長度的影片壓縮成固定大小的視覺表示,讓視覺語言模型以恆定記憶體成本處理影片。它可在推理時直接接入現有模型;在 Qwen3.5-35B-A3B、128-frame 預算下,於 LongVideoBench、MLVU 和 Video-MME 的表現分別提升 +12.9%、+10.6% 和 +9.7%。