跳到正文
#视频
10月8日周四
  1. arXiv cs.AI27

    多模态 LLM 实时游戏视频解说：基于停顿感知的解码方法

    研究提出两种基于提示词的解码策略实现多模态 LLM 实时游戏视频解说：固定间隔解码与动态间隔解码，后者根据上一句话的预估时长调整下一次预测时机，无需微调即可实现停顿感知生成。在日语和英语赛车、格斗游戏数据集上，动态间隔解码生成的解说在时间与内容上更贴近人类解说。团队同时发布了多语言基准数据集、训练模型与实现代码。

  2. arXiv cs.AI23

    扩散模型视频编辑综述：从理论基础到 V2VBench 评测

    这篇综述系统梳理了基于扩散模型的视频编辑技术，涵盖数学基础、图像域关键方法，并按核心技术内在关联对视频编辑方法进行分类，勾勒其演进脉络。文章还探讨了基于点的编辑、姿态引导的人体视频编辑等新应用，并提出 V2VBench 进行综合对比评测。最后总结了当前挑战与未来研究方向。

  3. arXiv cs.AI27

    WorldSonus：为世界模型带来实时空间音效

    WorldSonus 是一个面向世界模型的交互式视频转音频框架，可实时合成空间音效，实时因子（RTF）低至 0.41。它采用流式因果自回归扩散架构，并通过以音频为中心的描述生成管线与分块索引提示词调度，支持生成过程中动态操控声音事件。该框架利用立体声与 ambisonic 数据监督实现空间对齐，在开放域视频转音频基准上匹配或超越当前最优的双向模型。

  4. arXiv cs.AI22

    基于控制的动态优化实现多样化运动定制

    针对视频生成中运动定制的内容泄漏问题，研究者提出 Control-based Motion Customization（CMC）训练框架，用随机最优控制（SOC）引导生成动态趋向目标运动、避免向参考视频坍缩。该方法无需显式奖励，并引入只作用于生成早期阶段的时间步自适应运动代价，训练速度提升 2.5 倍，在缓解内容泄漏的同时保持运动保真度与基座模型的多样性。

  5. arXiv cs.AI22

    SUTURE：用 rollout 组结构改进视频时序定位验证器

    SUTURE 提出一种基于 rollout 组的验证器，通过组内分歧控制目标重加权、按位置覆盖率重分配奖励，并可精确分解为标准 IoU 项与协方差修正项。在五个视频时序定位 benchmark 上，SUTURE 在所有报告的 IoU 阈值下均提升定位性能，其训练策略的推理轨迹也减少了视频起始锚定现象。

  13. RadarAI22

    海外自我提升频道增长策略分析：7 条视频如何做到 109 万播放

    一个海外自我提升频道仅靠 7 条视频，将订阅数从 1.2 万提升至 109 万播放。该频道采用无配音、仅英文字幕加动画的极简模板，选题集中在多巴胺、懒惰等热门自我提升领域。作者认为这种模式易于被 AI 视频技术复制，国内快速起号账号正是通过引入海外已验证案例并进行中文本地化复刻。

  18. RadarAI24

    阿里 Wan 3.0 低成本制作 AI 动画

    一位创作者用阿里 Wan 3.0 制作了一段 AI 动画，称全部画面由 Wan 3.0 生成因而成本可控，配音则用 IrodoriTTS 补上原声不自然的部分。其体验是手绘风格难以控制、容易滑向全动画质感，动作场景的运镜与人物动态仍以 Seedance 更强。片中角色均以当下 AI 形象为原型，如主角 Claude、搭档 GPT。

  20. 科技媒体 RSS62

    生数科技发布 Vidu Q4 Preview 视频生成模型预览版

    生数科技发布视频生成旗舰模型 Vidu Q4 的预览版 Vidu Q4 Preview，主打人物演技、镜头语言与特效表现力。新版本最多支持 3 段参考音频和 15 张参考图，支持 2K、4K 输出与 10bit 色深，首发优惠价 0.09 元/秒起，官方称同样预算约 5 倍出片，并从 Day 1 起面向全球创作者开放。

  22. 科技媒体 RSS41

    前字节实习生田柯宇创办世界模型公司，融资近 3000 万美元、估值 2 亿美元

    前字节跳动实习生田柯宇创办世界模型创业公司，从五源资本、IDG 资本等融资近 3,000 万美元，投后估值 2 亿美元，公司尚无名字和产品。其团队已打造包含 20 万个符号的 AI 视觉语言系统，计划输入 1 亿小时视频，称可将生成 1 秒视频的成本至少降至原来的十分之一，并拟在 2027 年发布完整模型前现场展示技术。

  23. 科技媒体 RSS58

    fal 推出 H3 Max Relight，可对任意视频重新打光

    fal 推出 H3 Max Relight，上传已有视频后可在内置 Lighting studio 中逐帧重新打光，由 H3 Max 模型驱动。用户可选颜色、让每盏灯围绕主体旋转并调整强度与柔和度，同时保留原视频的主体、运动、镜头运动和音频，无需重拍即可把平淡日光改为黄金时刻、霓虹或品牌配色。

  25. 科技媒体 RSS42

    Vidu Q4 上线 fal 平台

    Vidu Q4 已在 fal 平台上线，支持基于单张首帧的图生视频并带原生音频。参考生视频最多可用 12 张参考图和 3 段语音片段以保持角色与声音一致，可生成 3 到 16 秒、540p 至 4K 的片段。

10月7日周三
  5. 科技媒体 RSS71

    AI 短剧爆火：成本仅为真人剧 1/10，平均每 36 秒诞生 1 部

    AI 短剧以约 1/10 的成本快速抢占平台榜单，相关话题 10 月 7 日登上微博热搜榜第二，热度值 1,501,003。红果热播榜前 20 名中 19 部为 AI 生成，一季度上线微短剧 AI 占比超 95%；真人短剧开机量同比暴跌约 75%，横店摄影棚空置率近 80%。但 AI 剧角色表情僵硬、剧情套路化，超九成制作方仍处于亏损状态。

  6. 科技媒体 RSS42

    可灵 Kling 4.0 将亮相釜山 ACFM

    可灵 Kling 4.0 即将发布，官方将于 10 月 10–13 日在韩国釜山 ACFM 展示一批用该模型创作的真实项目。官方称将探讨生成式 AI 如何理解导演创作意图、保持角色与叙事连贯性，并融入动画、真人影视和剧集的专业制作流程。

10月6日周二
  2. Hacker News34

    Screen Records：用 MCP 编辑演示与教程录屏的轻量录屏工具

    Screen Records 是一款轻量录屏工具，录制后可通过 MCP 配合 Claude Desktop/Code、ChatGPT/Codex、Cursor 等 AI 订阅进行编辑和导出，且消耗 token 极少。它支持录制麦克风、摄像头、系统声音，可添加配音、文字、图片、视频并生成字幕，录制时还能使用提词器和暂停功能。目前已在 Mac 上线。