短剧初创公司 Shortical 推出 AI 面部授权,探索数字肖像生成剧集模式
短剧初创公司 Shortical 推出首部全 AI 制作短剧《Inevitable》,并公开招募创作者进行面部肖像授权合作。以色列演员 Aki Avni 首次通过直签协议向平台授权肖像生成数字分身参演,Shortical 试图借此以低成本制作奇幻等大制作题材,并联手 Payouts.com 建立零工分成结算体系。
短剧初创公司 Shortical 推出首部全 AI 制作短剧《Inevitable》,并公开招募创作者进行面部肖像授权合作。以色列演员 Aki Avni 首次通过直签协议向平台授权肖像生成数字分身参演,Shortical 试图借此以低成本制作奇幻等大制作题材,并联手 Payouts.com 建立零工分成结算体系。
可口可乐推出名为“Enjoy Joy”的 2026 年节日广告,片中未采用 AI 技术及标志性的北极熊形象。该 30 秒短片由奥美主导的 WPP Open X 打造,呈现诺曼·洛克威尔风格的家庭与朋友聚会场景。广告包含英语和西班牙语版本,并可裁剪为 15 秒和 6 秒规格投放。
可口可乐在最新推出的 Enjoy Joy 节日营销战役中放弃了过去两年采用的生成式 AI 广告形式,转向由真人拍摄、强调亲友相聚的传统创意路线。尽管此前生成的 AI 广告在内部指标上表现达标,但在消费者群体中引发了较大争议。本次营销由 WPP Open X 旗下奥美主导,除电视与流媒体广告外,还将联动 Meta、TikTok、YouTube 等平台创作者,并开展 Amazon 媒体与电商整合合作。
推荐理由:可口可乐在经历生成式AI广告引发争议后重回传统实拍路线,为跨国消费品牌在节日季平衡技术试验与大众情感共鸣提供了参考样本。
ChatGPT 正式上线 Live Dictation 实时听写功能,用户在说话时即可实时生成转录文本,无需等待录音结束。该功能面向网页端、桌面端以及 iOS 和 Android 应用的所有订阅计划全球推出,用户可点击音频波形查看实时文字并在提示词框中编辑。此外,OpenAI 还取消了语音听写此前设定的 10 分钟录音时长限制。
Google DeepMind 正式面向 Google AI Ultra 订阅用户推出交互式世界模型 Genie 4,并上线全新 Project Genie 体验。
推荐理由:Genie 4 将世界模型推向支持实时环境微调与原生音频协同的新阶段,使浏览器内构建可交互虚拟空间的门槛明显降低。
Reson8 开源了支持 40 多种语言的 0.5B 语音识别模型 Rumble-2-Flash,采用 Apache 2.0 协议并原生兼容 Transformers 与 vLLM。
推荐理由:该模型展示了通过跨分词器在线策略蒸馏压缩语音模型的路径,适合需要平衡极低推理延迟与真实电话场景识别率的开发者参考。
Suno 正式上线图像与视频生成功能 Visuals,允许用户为生成的歌曲制作自动对齐歌词口型的 AI 视频短片或封面图像。该功能在 Web、iOS 和 Android 端提供,单次支持最长 15 秒片段及多片段时间轴编辑,底层采用基于 MiniMax H3 开发的 H3 Move AI 模型。Visuals 设立了独立的积分计费体系,并内置针对艺人肖像和版权 IP 的过滤保护机制。
Meta 首席 AI 官 Alexandr Wang 在 Instagram 发布了一段 AI 生成的短片,将 OpenAI CEO Sam Altman 与 Mark Zuckerberg 等人伪造同框,以此推广 Meta 的消费级 AI 智能体 Muse。
Adobe MAX 2026 重点展示了 Creative Agent 与 Firefly AI Assistant 在 Creative Cloud 中的扩展应用,旨在协助创作者处理素材整理与跨项目初稿。
Black Forest Labs(BFL)核心成员在 Latent Space 播客中探讨了视觉智能的构建路径与 FLUX 3 的技术考量。团队指出,单纯依靠静态图像难以理解三维与物理关系,FLUX 3 将图像、移动相机视频与声音信号联合训练,以学习时序连续性与角度变化。此外,团队分享了用于图像局部编辑的 FLUX Kontext 训练经验,并对比了自回归架构与扩散模型在训练与推理成本上的取舍。
推荐理由:访谈梳理了扩散团队从图像走向视频与世界模型的思考,展现了联合训练图像、视频与音频对物理一致性的提升。
ElevenLabs 发布面向企业团队的实验性应用 ElevenAI,将跨会议记录、90 多种语言的语音听写与 ElevenAgent 智能体行动整合于一体。该应用目前处于预览阶段并需申请早期访问权限,支持在会议期间实时检索历史细节以及根据会议记录自动起草邮件等后续任务。ElevenLabs 借此将自身语音模型与智能体平台嵌入协同工作流,并在近期同步推出了 Scribe v3 语音转文本模型。
初创媒体公司 Mansa 推出完全由 AI 生成的 30 集微短剧《They Left Us to Die》,试图以低成本内容验证受众对黑人题材的需求,却引发了演艺界对其抢夺真人工作机会的批评。联合创始人 Nate Parker 表示微短剧可在数周内完成制作并追踪受众数据,以此向保守的制片厂证明市场价值;但在好莱坞并购减产的背景下,这一举措直接触碰了少数族裔从业者对就业生存的焦虑。
a16z 支持的初创团队 Phota Labs 推出同名 iOS 应用,定位为个人 AI 照片助手,能自动将日常抓拍转化为专业级质感并保留人物真实外貌。该工具由前 Adobe 工程师开发,利用自研技术在修复构图与角度的同时维持人物身份一致性,处理后的图片包含不可见 AI 水印。该应用目前免费提供,公司此前已完成 $5.6 million 种子轮融资。
Hugging Face 发布了开源 3D 生成模型 TRELLIS.2 的 LoRA 微调完整指南,并开源了配套的预处理及训练脚本与 Docker 镜像,支持在本地或 Hugging Face Jobs 运行。
推荐理由:教程通过拆解三维生成管道展示了仅针对几何 DiT 注入 LoRA 的微调路径,为特定品类网格精度优化提供了标准流程与现成容器。
Google 发布研究论文,通过 Urania 框架在保护用户隐私的前提下分析了 210 万条 Nano Banana 会话,总结出 AI 图像生成的五大核心应用类别。研究发现图像生成已深入品牌营销、电商产品可视化、建筑设计及教育等商业领域,其中搞笑梗图在社交类别中占比最低,而营销场景对精确文字排版和画面构图控制的要求最高,且主要由小微企业和个人副业者主导。
Buffer 实测了 Nano Banana 2、Seedream、Recraft V4 Pro、Midjourney 等模型在插画贴纸、产品摆拍图和刺绣文字图三类社媒场景下的表现。
猫王(Elvis Presley)与 Eminem 的版权持有方起诉 AI 音乐公司 Suno,指控其非法生成模仿相关艺术家的音乐与歌词。原告指控 Suno 违反了田纳西州禁止 AI 克隆歌手声音的《ELVIS 法案》;Suno 发言人对此回应称,平台禁止使用特定艺术家姓名作为提示词,并已联合第三方筛查上传音频与歌词以防滥用。
Google DeepMind 正式推出 Gemini Omni 1.2 Flash,并在 Gemini API 与 Gemini for business 上线可用。
推荐理由:新版本支持15秒原生视频与多轮对话编辑,并将720p生成成本降至每秒0.07美元,降低了规模化商业视频与广告变体的制作门槛。
端侧文本转语音模型 Phonon TTS 实现了完全离线运行,模型体积仅约 65 MB 至 75 MB。英文版本 Phonon 31m 采用 Apache 2.0 开源协议支持商用,多语言版 Phonon 40m 支持 5 种语言。
推荐理由:原文展示了基于流匹配的极小端侧语音合成方案,读者可借此了解其在公开基准上的首包延迟表现与工程落地方法。
Granite Switch 4.1.1 补丁版本发布,完全向后兼容 4.1,无需迁移即可通过模块化适配器实现模型增量更新。新版本升级了支持 10 种语言且自带原生标点与大小写的 Granite Speech ASR 模型,并优化了 Decision 适配器在 Jev Decision Index 测试集上的表现。团队正筹备教程和 Adapter SDK,方便开发者构建自定义适配器。
Hugging Face 推出 AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 开源包,支持在苹果设备端侧运行开源语音识别与决策模型。
推荐理由:原文提供了两套 Swift 库及端侧实现方案,开发者无需依赖纯文本生成即可在苹果设备上实现本地语音识别与结构化决策。
IBM 推出 Granite Speech 语音模型系列的三个更新,包括全新的 granite-speech-5.0-2b,以及升级版 granite-speech-5.0-470m-turboctc 和 granite-speech-4.1-2b-plus。
推荐理由:原文给出了高精度、低延迟端侧和会议说话人归属三种模型选型,便于开发者评估替换成本。