AI 音樂影片生成的音訊輸入規範:格式、版本及生成前檢查
1MV 的 AI 音樂影片生成需要先核對音訊格式、版本、時長及人聲清晰度,因音訊是影片節奏與對口型的依據。工具支援 MP3、WAV、M4A、FLAC 和 OGG;音訊超出所選時長時會從歌曲開頭截斷,想保留特定段落須預先剪輯。生成積分按影片時長和輸出分辨率計算,免費版最長支持 20 秒。
1MV 的 AI 音樂影片生成需要先核對音訊格式、版本、時長及人聲清晰度,因音訊是影片節奏與對口型的依據。工具支援 MP3、WAV、M4A、FLAC 和 OGG;音訊超出所選時長時會從歌曲開頭截斷,想保留特定段落須預先剪輯。生成積分按影片時長和輸出分辨率計算,免費版最長支持 20 秒。
Runway 推出機械人模型 Praxis-1,將影片預訓練所學用於真實機械人控制,並以 Apache 2.0 許可證開放權重。披露的測試結果顯示,Praxis-1 在 RoboLab-120 的 1200 個場景中完成 555 個,成功率約 46.2%,並在世界動作模型及開放機械人基礎模型類別中表現領先。
百度在百度世界2026主論壇發布文心閃電深度思考模型和文心一鏡微表情大模型,並同步於百度智能雲千帆平台向企業客戶及合作夥伴開放 API。文心閃電深度思考模型採用 BSA 稀疏注意力技術,官方稱推理引擎成本降低30%以上;文心一鏡微表情大模型支援最長4000字文本驅動,影片生成成本較業界降低50%,極速版本生成1分鐘影片約需1分鐘。
《三星堆:未來往事》上映21天累計票房180.2萬元,與製片人披露的千萬元級製作成本相距明顯。觀眾批評涉及畫面質感、AI人臉表情和配音,也包括人物塑造、台詞及劇情敍事;主創表示,AI負責生成和執行,創意構思及創作判斷由真人團隊完成。文章指出,AI可節省部分演員拍攝成本、縮短部分渲染時間,但人力、時間和技術迭代成本仍然存在,影視業與模型廠商正探索院線及中長劇的商業化空間。
HappyHorse Assets 的配置框架涵蓋素材入庫、標籤管理、模板與參數設定,以及影片渲染後的品質檢查,供跨境電商製作 AI 短片。部分地域須申請白名單,素材須具備完整版權,生成內容亦須人工審核;截至2026-09-03,官方尚未完全公開詳細操作路徑及完整計費明細。
阿里雲「一鍵創作 AI 有聲繪本」方案以 CAP、百煉和 OSS 串連文案、插畫、配音、字幕及影片合成,輸入故事即可生成完整的有聲繪本影片。方案支援定製插畫風格與配音音色、單頁重新生成及批量產出,並可消耗試用點體驗。
字節火山引擎推出 Seedance 2.5 flash,官方稱其生成速度較 Seedance 2.5 提升一倍,價格更低。以 720P 文生影片及圖生影片為例,生成價格約為 0.99 元 / 秒,較 Seedance 2.5 低約 34%。
字節火山引擎推出 Seedance 2.5 flash 影片模型,官方稱其生成速度提升一倍,效果最接近 Seedance 2.5,價格更低。以 720P 文生影片及圖生影片為例,價格約為 0.99 元 / 秒,較 Seedance 2.5 低約 34%;單段最長支援生成 30 秒影片,單次最多輸入 10 張圖片、5 段影片及 5 段音訊,並提供 480P 和 720P。
字節火山引擎推出 Seedance 2.5 flash 影片模型,官方稱生成速度提升一倍;在 720P 文生影片及圖生影片場景下,價格較 Seedance 2.5 低約 34%。上述場景價格約為 0.99 元 / 秒;模型單段最長支援 30 秒生成,單次最多可輸入 10 張圖片、5 段影片及 5 段音訊,並提供 480P 和 720P 兩檔解像度。
AI生成的「古代監控」影片模仿舊監控畫面重現歷史事件,鴻門宴影片更錄得百萬級播放量,帶動相關創作。逼真的畫面加上誤導性文案,令部分影片流傳時被當成真事;AI換臉亦被用於詐騙和假冒直播,並涉及肖像權及私隱問題。
AI漫劇概念震盪回落,華策影視跌超10%,上海電影觸及跌停。果麥文化、芒果超媒跌超5%。
Noah Leo 提出一套 AI 影片提示詞寫法,以五項鏡頭決策把簡短構想整理成具體的鏡頭描述。五項包括主體、場景、動作、鏡頭,以及光線與色調;教程亦示範文字生成影片、靜態圖像動畫、連續鏡頭和參考動作轉移。作者建議每次只調整一項設定,若人物身份漂移,便縮短動作並固定鏡頭。
教學以 OpenCV 建立並測試 Valorant 擊殺提示橫幅偵測器,使用 12 秒、1080p 合成片段,透過 54×48 像素模板尋找事件。在 0.80 閾值下,四個可偵測事件的 precision、recall 和 F1 均為 1.000;橫幅放大至 1.12×則按預期漏報,峯值分數降至 0.52239。結果只適用於該合成片段,並非實戰影片的準確度。
百度於 11 月 12 日發布文心閃電深度思考模型與文心一鏡微表情大模型,並在百度智能雲千帆平台開放 API 服務予企業客戶及合作夥伴。文心一鏡微表情大模型英文名稱為 ERNIE-Wizshot-ME,可生成 4 至 15 秒、1080p 影片,刊例價為每秒人民幣 0.7 元。
廣電系企業正快速切入 AI 劇製作,但在電視大屏建立可持續商業模式,仍面對成本回收、分賬機制和播出標準等挑戰。芒果超媒、華數傳媒、海看股份及東方明珠均加碼 AI 劇相關業務,並拓展製作平台及大小屏分發。一名受訪製作人表示,據其瞭解,現時90%的 AI 劇製作公司虧損,行業亦面對專業人才短缺及電視端品質要求。
作者分享一套在 Arui.AI 同一瀏覽器分頁內完成 45 秒產品影片的四步流程,依次為訊息、分鏡、動態生成,以及配音、音樂與剪輯組裝。他建議先用一句核心訊息統一素材,再以約每 6 秒一張的靜態圖規劃分鏡,只為有實際變化的段落生成動態;45 秒影片通常只需四至五段影片片段。配音及音樂留到畫面定稿後處理,再於同一畫布排序片段、加入音訊及匯出,減少跨工具匯出和重新上載。
鄭州短劇產業在真人短劇擴張後進入 AI 生產週期,供給激增卻未帶來普遍盈利,製作公司與從業者開始收縮或轉型。DataEye研究院統計,2026年9月抖音原生 AI 劇漫劇新劇達5.18萬部、播放增量超過2093億,不到1.5%的新劇貢獻近三分之二增量。生成模型與 Agent 等工具縮短製作週期,瑩姐的公司人手縮減50%;文章指出,盈利愈來愈依賴版權、渠道、發行、投放及營運能力。
AI漫劇概念再度活躍,文投控股連續4個交易日漲停。海看股份、無線傳媒、大晟文化和電魂網絡跟漲。
文章指出,將 4:3 照片放進《Hit the Road Dude》9:16 AI 影片時,可用裁切、填充或擴圖適配畫面,各有取捨。裁切只保留約 42% 的照片;填充雖保留整張照片,照片只佔影片畫面的 42%。作者提供 Pillow 預覽腳本,可校正 EXIF 方向,並比較置中裁切、按主體裁切和模糊背景填充。
Loogen 串聯 GGUF 本地大模型、繪圖後端、萬相 Animate、TTS 和 FFmpeg,透過任務編排與顯存管理,實現 AI 漫劇動態分鏡的本地自動化流水線。8G 顯卡需啟用顯存分層調度、串行執行並自動卸載模型,影片推理分辨率限制為 720×1280;12G 及以上顯存的體驗會好很多。
文章梳理中國「55% 的 Token 消耗用於 AI 短劇與影片生成」説法的傳播,指出原始數字未交代統計口徑和方法,不能直接當作全國算力佔比。文中援引字節方面的數據,指影片生成約佔其總算力 10%,影視創作類 Token 消耗不到 20%,並指出 Token、算力與收入不可混作同一指標。
華泰證券研報指出,AI影視正呈現結構性分化,中劇、網絡電影率先跑通,長劇與院線仍受劇本、人物情感表達及畫面一致性限制。成本結構由現場製作轉向人力與算力,分帳模式趨於主流;劇作能力不足、模型半年一代帶來返工及複合型人才稀缺,仍是當前痛點。
這篇教學整理用 FFmpeg 循環播放影片的方法,涵蓋按總播放次數輸出、截至指定時長,以及讓影片畫面配合較長音軌播放。`-stream_loop N` 中的 N 代表額外播放次數,並須置於相應 `-i` 前;精確截長需重新編碼。作者另提供 Python 封裝及 5 個 pytest 測試,並指出循環會硬切回首幀,不會自動形成平滑接縫。
曾任職騰訊、字節及生數科技的廖謙於 2025 年創辦 Pexo,主攻海外影片智能體;公司上線不足一年,業務覆蓋 80 多個國家和地區,ARR 超過 100 萬美元。
百度發佈文心5.5 Flash Preview,重點升級程式編寫、遊戲開發、3D建模及內容創作能力。模型總參數量為2800億,每個Token啟用140億參數,支援最長100萬Token上下文,官方稱生成速度超過每秒200Token。模型已在百度智能雲千帆平台上線並可透過API調用,權重計劃於11月25日開放;API每百萬Token輸入繁忙時段2元、閒時1元,輸出繁忙時段8元、閒時4元。
文章提出一套 AI 媒體工作流程設計,將參考圖片與影片渲染視為不同任務,並分開記錄任務狀態和財務狀態。付費請求應以伺服器確認的價格建立任務及預留點數,重試須避免重複收費;遇上逾時則先查核現有任務。輸入權限、生成結果審核及財務核對亦應分開處理。
這份實作指南示範如何用 faster-whisper 和 FFmpeg 在本機為短片製作詞級高亮字幕,並將字幕燒錄到 9:16 影片中。流程包括抽取 16 kHz 單聲道 WAV、取得詞級時間戳及生成 ASS 字幕;指南亦説明此流程只處理字幕,不涵蓋剪輯、靜音移除或人臉構圖。作者另介紹其自有付費套件 Auto-Clipping-System,售價 29 €,一次付款,無訂閲。
Wave Forcing 結合區塊式因果注意力與交錯去噪,在管線填滿後,每個並行前向輪次輸出一個影片區塊。於 Wan2.1-T2V-1.3B 上,五步版本的 VBench Total 為 81.64,高於 Rolling Forcing 五步版本的 81.15,測得的動態幅度亦大幅增加。方法透過重疊去噪階段與快取更新提升生成效率,同時保留每次去噪更新。
Seed 團隊正式發佈新一代影片創作模型 Seedance 2.5,單次影片生成時長由 15 秒提升至 30 秒,並支援多輪延長。模型單次最多可輸入 30 張圖片、10 段影片及 10 段音訊作參考,並支援時間戳精準編輯。Seedance 2.5 正陸續上線即夢 AI、豆包專業版,API 服務近期將上線火山方舟。
推薦理由:Seedance 2.5 將單次生成時長由 15 秒提升至 30 秒,並支援多輪延長及多模態參考,交代長敍事創作的主要能力變化。
字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。
研究提出 PixVid,將預訓練的潛在影片模型改為直接在像素空間生成每一幀。PixVid 以 Wan2.1-14B 微調,在約 1.3M 訓練片段下表現可媲美潛在空間基線。它可在每幀 token 數相同的情況下生成 2 倍分辨率影片,並在每次動作後於下一幀回應。
這項基準評測量度動態城市場景中無人機影片穩定的「共識捕獲」問題,涵蓋靜態及動態場景。未遮罩 ORB 在 304 組即時配對中有 28 組出現捕獲,角點誤差中位數為 18.8 px;遮罩則令所有管線均不再出現捕獲,且領先管線維持不變。研究同時發布基準數據及 Songdo Vision OBB,包含 5,419 段 4K 無人機影片中的 274,190 個定向框。
PhyRubric 提出以評分準則為基礎的診斷框架,評估文字生成影片中的物理常識,並建立基準測試及評審模型。PhyRubric-Bench 涵蓋五個物理領域的 34 個類別;研究亦以 3,788 段影片微調開源 PhyRubric-Judge。
HUMAIN 與沉浸式影片公司 VUZ 合作開發 HUMAIN+,打造面向領袖、專業人士、教職員及未來創新者的串流與學習平台,聚焦實用 AI 能力。雙方計劃結合 HUMAIN 的串流及應用 AI 教育方案與 VUZ 的沉浸式影片技術,提供虛擬及實體 AI 教學體驗。平台預計在未來數月推出。
Runway 發佈 Praxis-1,這款 27B 參數開放權重模型以影片基礎模型預測未來畫面,並據此生成機械人動作,採用 Apache 2.0 授權。在 NVIDIA RoboLab-120 的 1,200 次測試中,DROID 微調版解決 555 次(46.2%),在世界動作模型及開源機械人基礎模型中排名第一。
Maham 發布免費、MIT 授權的開源工具 PolyCast,使用 JSON 對白腳本生成低多邊形 3D podcast 影片,並將生成語音、口型、鏡頭切換和字幕按字詞時間同步。
Anorak 宣佈完成由 Play Ventures 和 Backed VC 共同領投的 $5M pre-seed 融資,資金將用於擴充倫敦及成都團隊、推出首批可玩形式,並於 2027 年初建立創作者平台。平台以互動生成影片為媒介,讓影片即時回應用戶選擇和輸入,並計劃讓任何人創作可玩的內容。
澳洲與中國的學術合作提出 TongueReenact,透過 Stable Diffusion 等方法,將駕駛影片中的面部動作和舌頭動態轉移至來源人物。測試中,該方法在舌頭位置和大小等關鍵指標上,較最接近的競爭方法準確度高逾 100%。論文發表後,承諾提供的程式碼似乎尚未推出。
Adobe 預覽四款面向創意工作流程的實驗性 AI 工具,涵蓋角色開發、把平面圖像轉為可導航的 3D 場景、混音音效,以及轉移照片編輯。這些項目仍屬技術預覽,Adobe 尚未承諾推出;未來或會納入 Creative Cloud 應用程式或 Firefly。
Adobe 公佈四項 AI 實驗項目,可把平面圖像轉成可探索的 3D 空間,並透過對話設計 AI 角色。Project Sound Bender 可用文字提示詞生成並調整影片音效,Project Rinse Repeat 則能把已完成的照片編輯套用到其他人物或物件;這些項目目前均屬技術預覽,不保證最終推出。