← 全部日报

AIGC 信息日报

2026 年 11 月 18 日 周三

行业与平台

Industry

OpenAI 发布 GPT-6.2 Astra 与 Sol 双模型

OpenAI 发布 GPT-6.2 Astra 与 Sol 两款模型,即日起面向 Plus、Pro、Enterprise、Edu 用户开放,可在 ChatGPT Work 和 Codex 中使用,开发者可通过 API 调用 gpt-6.2-astra 与 gpt-6.2-sol。Pro 500 订阅者可对两个模型启用 Ultrafast,该能力也首次向 Pro 200 订阅者开放,从 GPT-6.2 Sol 开始。

两个新模型同时上线 ChatGPT Work、Codex 和 API,Pro 500 还能用 Ultrafast 提速,做剧本批量处理和 Agent 工作流的可以接 API 跑一轮看稳不稳。

点击打开原平台查看,能否访问取决于网络环境

可灵发布 Kling Image 4.0,支持原生 8K 与组图生成

快手可灵 AI 发布图像创作模型 Kling Image 4.0,已全量上线并面向企业客户与开发者开放 API。采用「理解生成统一」架构,首次支持原生 8K 图像生成,内置 110+ 种预设影调风格和 70+ 种商用字体,支持最高 15000 tokens 文本输入、单图最多生成 2000 字,一次描述可生成最多 10 张风格连贯的组图,以及电商详情页等超长画幅长图。

原生 8K、一次出 10 张风格连贯组图、内置 110+ 影调风格,做 KV 海报和电商长图的视觉师这周可以拿自己的项目跑一遍看一致性。

点击打开原文

Microsoft AI 发布语音模型 MAI Realtime 1

Microsoft AI 发布首个语音到语音模型 MAI Realtime 1,起步价 $0.01 每分钟音频。官方称其在 Big Bench Audio 和 τ-Voice 两项基准上,质量、速度、价格均超过 GPT Realtime 2.1。语音到语音意味着输入输出都是音频,不经文本中转,适合实时对话类场景。

微软首款语音到语音模型,每分钟音频 $0.01 起,官方称在 Big Bench Audio 和 τ-Voice 上质量、速度、价格都压过 GPT Realtime 2.1。做 AI 配音、虚拟角色对话、实时字幕的可以接 API 跑一周比价。

点击打开原文

微软 MAI-Image-2.7 结束预览,图像编辑 Arena 排第 3

微软 MAI-Image-2.7 结束预览正式上线,在 Arena 三个图像榜上综合排到第 2 名实验室,定价每张 0.035 美元,处于性价比前沿。具体名次为多图编辑第 3、单图编辑第 4、文生图第 4,整体比 2.6 版高约 50 分。涨幅集中在单图编辑:写实电影感从第 8 升到第 3,文字渲染从第 13 升到第 4,产品/品牌/商业设计从第 10 升到第 4,3D 建模从第 9 升到第 4,人像从第 9 升到第 4,卡通动漫奇幻从第 11 升到第 5。

单图编辑从第 8 冲到第 3、文字渲染从第 13 到第 4,每张 0.035 美元。做海报、产品图和 KV 的视觉师可以拿同一批 prompt 跟现用模型对跑一轮。

点击打开原文,能否访问取决于网络环境

Magnific 上线 Illusion:改视频人物服装与整体外观

Magnific 发布 Illusion,输入任意视频即可替换其中的人物、服装、产品或整体外观,底层由 Seedance 2.5 提供支持,已在 Magnific 网页端、MCP 接口以及桌面端和移动端 App 上线可用。对后期和视觉团队来说,这是把已有素材直接改人改装的路径,短剧补拍、广告换产品、旧片翻新都可以先拿一段素材试稳定性。

拿现成视频换人、换衣服、换产品、换整体风格,底层是 Seedance 2.5,网页、MCP、桌面和手机端都能用。做后期替换和短剧补拍的可以拿一段旧素材试改,看人物和服装能不能稳住。

点击打开原平台查看,能否访问取决于网络环境

Perplexity 发布 Orchestrator API 自动选模型与提供商

Perplexity 发布 Orchestrator API,可按任务选择合适模型,并基于可用性、容量和延迟自动选择提供商。开源权重模型与专有模型统一在一个 API 中接入,计费统一。对需要在一个流程里串多个模型、又不想分别对接各家账号和账单的技术整合者,这套接口把选模型和换供应商的事收进了一层。

一个 API 里同时接开源权重和闭源模型,按可用性、容量、延迟自动换供应商,账单还统一。自己搭批量生成流程的技术整合者可以接进去测一周,看切换模型时省不省事。

点击打开原平台查看,能否访问取决于网络环境

黄仁勋:为个人生活错误担责,愿配合董事会调查

黄仁勋在 X 发文,称过去一周收到朋友、业界同仁和陌生人的支持,感谢表达善意的人。他提到 53 年前来到美国、成为美国公民是人生最自豪的时刻之一,英伟达是他的毕生事业。他承认未达到英伟达对每个人的标准、个人生活犯了严重错误,给董事会制造了问题,表示完全认错并配合董事会独立调查。他称离职后收到员工、投资人、合作伙伴和客户要求他回归 CEO 的呼声,若董事会认为回归符合股东、员工、公司和美国利益,他愿意回归。

英伟达人事风波当事人自述,跟 AI 创作工作流没关系,做片子做短剧的可以直接划过。

社区开发者用 VoxCPM2 做本地视频配音工具 VoxaDub

面壁智能 OpenBMB 转发社区开发者 @kadirrbrtt 基于 VoxCPM2 声音克隆做的本地优先视频配音工具 VoxaDub,流程覆盖转录对齐(可选说话人分离)、本地 Hy-MT2 上下文翻译、VoxCPM2 语音合成、时长适配,以及与原始背景音合成,唇形同步作为可选独立步骤。对做译制、多语种发行和短剧出海的后期团队,这是一条从原片到配音成片的完整本地流程参考。

转录对齐、翻译、克隆配音、时长适配、混回背景音一条流程走完,唇形同步还能单独开关。做译制短剧和海外发行的后期,这套本地跑的流程值得扒下来试。

点击打开原平台查看,能否访问取决于网络环境

开源工具 SubCast:播客转写加 AI 导读

向阳乔木(@vista8)介绍开源项目 SubCast:支持搜索订阅国内外播客节目,用本地 ASR 模型转写无字幕音视频,支持本地 CLI 和 API 配置的 LLM 问答,另有 AI 导读、时间戳跳转、金句海报、收听统计,授权后可一键导入 YouTube 订阅频道,下载地址在评论区。

本地 ASR 转写无字幕音视频,还能出 AI 导读、时间戳跳转和金句海报,项目开源。做后期和字幕的可以拉下来跑一遍,看转写准不准、能不能接进自己的流程。

点击打开原平台查看,能否访问取决于网络环境

GitHub Copilot 桌面版:跨仓库跑 Agent 任务

GitHub Trending 上出现一个名为 GitHub-Copilot-app 的仓库,描述为 agent-native 桌面客户端,用于在多个 GitHub 仓库间查找、运行、调度并落地软件工作。定位是开发者写代码的桌面入口,不涉及图像、视频、音频的生成或编辑能力。

编程工具的桌面客户端,跟拍片剪片不搭边,做创作自动化的可以路过。

工具与能力

Tools

Krea Video 上线 Video Swap 换角色换产品换背景

Krea AI 在 Krea Video 中上线 Video Swap,官方称用一套新工作流替换视频里的角色、产品和背景,并强调精度较高,现已可在 Krea Video 内直接使用。对做广告换品、短剧换角、后期补拍替代的团队,这是把「重拍一段」变成「换掉画面里的人或物」的入口,实际可用度取决于替换后的边缘、光影和运动一致性。

Krea 在自家视频工具里加了替换功能,角色、产品、背景都能换,官方强调精度。做广告换品、短剧换角、后期补镜头的可以拿现成素材跑一遍看边缘和光影跟不跟得住。

点击打开原平台查看,能否访问取决于网络环境

Suno 上线 Visuals:给音乐配短片和歌词视频

Suno 发布 Visuals 功能,可为音乐生成短片、歌词视频或围绕音乐构建的画面世界,面向所有付费订阅用户开放,并限时赠送首次 Visual 体验。对做 MV、音乐类短视频和歌词视频的后期与视觉来说,这是把配乐和画面放在同一个工具里出的路径,可以先拿手上已有的 Suno 曲目跑一遍看成片形态。

音乐生成平台开始自己出画面了,短片、歌词视频、围绕歌曲构建的画面世界三种形态,做 MV 和音乐类短视频的可以拿现成曲子试一轮。

点击打开原平台查看,能否访问取决于网络环境

可灵 Kling Image 4.0 支持原生 8K 图像生成

可灵 Kling AI 官方演示 Kling Image 4.0 的原生 8K 图像生成能力,通过放大画面展示后排视角下的细节清晰度,官方称 8K 生成让大图也保留前排级细节。对做 KV、海报、大屏物料的视觉师来说,原生高分辨率意味着少一道放大补救工序,可直接拿现有 prompt 实测细节保留程度。

8K 原生出图对做 KV、海报、大屏物料的视觉师是实打实的升级,官方演示用放大后排细节来证明清晰度,做美术总设的可以拿自己的 prompt 跑一遍看细节保留到什么程度。

点击打开原平台查看,能否访问取决于网络环境

Midjourney 编辑模型支持情绪板与风格参考

Midjourney 为编辑模型新增情绪板(Moodboards)、风格代码(Style Codes)和风格参考(Style References)支持:在提示栏「attach to prompt」下放入一张图片,再添加情绪板、风格代码或 sref 图片,按回车即可生成,无需输入提示词。对做视觉开发和风格统一的创作者,意味着改图环节可以直接套用已有的风格资产,不必每次重写提示词。

编辑模型现在能直接吃情绪板、风格代码和 sref 图,不用写提示词,放图回车就出。做视觉开发和 KV 的可以拿自己的风格库试一轮,看风格能不能稳住。

点击打开原平台查看,能否访问取决于网络环境

Gemini Tasks 免费开放美日韩等六国

Google 宣布即日起在美国、日本、韩国、加拿大、澳大利亚和印度免费向数亿更多用户开放 Gemini Tasks。用户在 Gemini App 中把 Chat 切换为 Task 并描述需求即可,Tasks 可在后台执行较长项目,并支持设置周期运行,例如同步家庭日历或查找未使用的订阅权益。

Gemini 把 Chat 切成 Task 就能让它在后台跑长任务、还能设周期执行,做制片和项目统筹的可以拿它管日程和订阅盘点。

点击打开原平台查看,能否访问取决于网络环境

Google Pics 升级 Nano Banana 2.1 模型

谷歌 11 月 16 日发布 Workspace 更新公告,Google Pics 的图像生成与编辑能力升级至 Nano Banana 2.1 模型,未来 1~3 天内面向快速发布通道和定期发布通道用户完成推送。公告未列出具体参数、分辨率或价格变化。

谷歌 Workspace 官方公告,Google Pics 换到 Nano Banana 2.1,1~3 天内推给快速和定期发布通道用户。做视觉开发和 KV 的可以等推送到位后拿同一批 prompt 对比旧版出图。

点击打开原文

ElevenLabs 上线 Scribe v3 医疗实时转写

ElevenLabs 推出 Scribe v3 Live Medical,把医疗转写做进实时通话,语音智能体在对话中能准确识别药物、手术和症状名称,团队可自行添加最多 10,000 条专有术语(如医生姓名、药品名),已在 ElevenAgents 中上线。对做医疗题材内容或行业配音的团队,这套术语表思路可参考到自己的专有名词校对流程里。

实时通话里能认准药名、手术名和症状,团队可自建最多 1 万条术语。做医疗题材剧本或行业配音的,可以看它怎么处理专业词。

点击打开原文,能否访问取决于网络环境

方法与经验

Methods

用 Gemini 4 Carbon 写代码驱动 Blender 出装机动画

作者用 Gemini 4 Carbon 编写纯 Python 代码,在本地 Mac mini M4 上驱动 Blender Cycles 光线追踪,生成一支 35 秒 60 帧的 3D 电脑装机动画。全片 2100 帧共 7722 行代码,从零生成耗时约 4 小时,未使用视频生成模型,未下载外部 3D 模型、贴图或音效,全程未打开 Blender 界面。作者自评总体表现略弱于 Opus 5.5 和 Fable 5.2。

不抽卡、不开 Blender 界面,纯 Python 代码在本地 Mac mini M4 上跑 Cycles 出 35 秒 60 帧 3D 动画,做三维和产品演示的可以看这条思路。

点击打开原平台查看,能否访问取决于网络环境

影视人逐像素实测 Seedream 5.5 局部保持

作者针对字节 11 月 9 日发布的 Seedream 5.5 做实测,官方宣传点是同一张图连续改 100 轮、未指定修改的区域像素级保持。作者用影视人的办法逐像素叠图对比,跑了 6 轮,结论是各模型各有所长。做视觉开发、角色一致性和 KV 修改的可以看这套验证方法,判断局部重绘能不能直接用在成片素材上。

字节说同一张图连改 100 轮、没让改的地方像素级不动,作者用影视人的办法叠图验了 6 轮。做视觉开发和 KV 的可以看这套验证思路,自己拿素材复一遍。

点击打开原文,能否访问取决于网络环境

创作者称提前试用 GPT-6.2 Astra 做视频剪辑

X 用户 @ashebytes 称自己提前拿到了 OpenAI 全新 GPT-6.2 Astra 的访问权限,过去几周把它当作主要的智能视频剪辑助手使用,并表示会分享一些使用感受和自己风格的 AI VFX 作品。

个人提前试用体验,只说了「几周来当主力剪辑助手」和会附上自己风格的 AI VFX,没有参数和流程。做后期的可以留意这条,但别指望能抄到具体做法。

点击打开原平台查看,能否访问取决于网络环境

@aiwarts 提炼提示词让 Grok Bot 用量降 55%

作者把 Anthropic 常驻智能体指南的五个组件——事件收件箱、定时器、记忆、权限、发件箱——翻成一段提示词写进自己的 Grok Bot,专治定时任务空转浪费额度:要求按任务 ID 和内容版本去重、无实质变化只回「无更新」、不自行扩充来源或新建任务。稳定跑三天后,空跑从每周约 18 次降到 3 次,总用量从 75% 降到 55%,一年省 840 美元。

把 Anthropic 那份常驻智能体指南拆成五个组件写成一段提示词,塞进自己的 Grok Bot 治定时任务空转,空跑从每周 18 次降到 3 次。自己搭自动化流程、被额度烧得心疼的可以照着改一版。

xAI 工程负责人分享 Grok Bot 语音口述工作流用法

xAI 的 Lauren Tan 介绍 Grok Bot 的用法:通过 connectors 给越多上下文它越强;建议用语音口述约 10 分钟,像带新员工一样把工作流讲清楚,发送前让 bot 用自己的话复述确认,并提到可让它连接常用工具、保存自身技能以精确复现流程。

把带新人的那套讲法搬给 AI:语音口述十分钟讲清流程,发出去前让它复述一遍确认,再让它存成技能反复用。做制片和统筹的可以拿这套方法管自己的杂事。

作品与案例

Works

GPT-6.2 Astra 复现巴黎圣母院中殿 UE5 场景

开发者 Thomas Ricouard(@Dimillian)称,他让 GPT-6.2 Astra 研究巴黎圣母院的照片和一张历史平面图,据此在 Unreal Engine 5 中重建了从中殿向下望去的视角,并提示观看时调大音量。他提到 Astra 推出时团队还在建 3D 房屋,现在已在建大教堂(该产品 9 月 4 日已发布)。

个人开发者让 Astra 读圣母院老照片和历史平面图,在 UE5 里重建中殿视角,还配了音效。做场景概念和虚拟制片的可以看看模型读图纸的能力边界。

点击打开原平台查看,能否访问取决于网络环境

微信公众号 光影漫游AI 二维码
觉得日报有用的话,欢迎关注微信公众号,AI 影视创作的内容都在那里。
光影漫游AI
微信内长按二维码识别,或复制名称到微信搜索