MiniMax H3社区方案将视频生成推向低步数推理
MiniMax展示H3社区的新方案，可用4至8步去噪生成受参考素材控制的视频与音频，降低推理成本。
AIGC · 分类
Canva发布首款自研图像模型Craft，先规划后生成
Canva推出面向设计场景的Craft图像模型，现已在Canva和公开API中提供，重点提升构图、文字与版式控制。
Mistral发布Voxtral 3，主打实时语音智能体
Mistral推出Voxtral 3语音模型家族和LiveKit智能体SDK，让系统实时听取、推理、调用工具并开口回应。
Skywork发布Matrix-Game 4.0，单张消费级显卡实时运行
Skywork推出开源Matrix-Game 4.0，主打在单张消费级显卡上实时运行的互动视频模型。
Meshy的3D智能体向免费计划开放
Meshy的对话式3D Agent仍标注为测试版，但已向Free计划用户开放；付费计划提供更高额度和高级工具。
阿里开源通义千问图像2.1 Turbo模型
通义团队发布开放权重的Qwen-Image-2.1-Turbo，主打八步去噪完成图像生成与编辑，进一步压低本地部署门槛。
Claude文档、演示与设计工具结束测试并全量开放
Anthropic宣布Claude Docs、Slides和Design结束测试，所有套餐包括免费版均可使用，进一步扩展其办公工作台定位。
Google向公众开放SynthID检测器，验证AI内容水印
Google全球开放SynthID检测器，任何人都可检查部分图像、视频和音频是否带有AI水印。
Google发布可端侧运行的多模态EmbeddingGemma 2
Google发布开放的7.4亿参数多模态嵌入模型，可将文本、代码、图像、音频和视频映射到同一空间。
Stability AI 转向音乐，押注授权数据与专业工具
Stability AI 正将业务重心转向专业音乐创作，依靠唱片公司投资、授权曲库和新一代音频模型重建公司。
Manus 2.0扩展远程智能体与视频编辑能力
Manus 2.0新增视频编辑、多人游戏托管和手机远程运行智能体等功能，产品边界从任务执行扩展到持续工作空间。
Meshy携手Chrona，把AI生成资产变成多人3D世界
Meshy与Chrona合作，将AI生成的3D资产放入可探索的多人世界，生成式AI开始从内容走向互动空间。
Black Forest Labs开源权重机器人模型FLUX 3 Action
这款70亿参数模型同时预测视频与机器人动作，让视觉生成实验室正式进入开放式具身智能竞争。
谷歌将Gemini Live Avatar推向企业正式部署
谷歌宣布Gemini 3.8 Live with Live Avatar正式进入Gemini Enterprise，融合实时对话、同步视频形象、工具调用与97种语言支持。
谷歌用多智能体系统解决长视频一致性难题
谷歌研究团队公布多智能体视频框架，通过视觉记忆、分段生成和闭环评审，维持分钟级故事中的人物与场景一致性。
谷歌推出可编程声音设计的Gemini语音模型
Gemini 3.8 Flash TTS系列支持用自然语言设计声音、逐句控制表演，并覆盖100多种语言和方言。
通义千问发布 Audio 3.1，语音模型全面扩容并降价
阿里通义千问推出覆盖识别、合成、实时交互与音频创作的 Audio 3.1 系列，并大幅下调语音调用价格。
Seedance 2.5上线草稿模式，先低成本试片再生成终版
字节跳动为 Seedance 2.5 增加 480p 草稿流程，创作者可先验证镜头，再生成 1080p 正式视频以减少试错成本。
腾讯发布混元Hy Image3.5预览版，强化多轮生图
腾讯混元Hy Image3.5预览版支持文生图、图生图和多轮对话编辑，并已接入元宝、ima等产品。
剪映推出 Hub 与助手，打通 AI 生视频和剪辑
字节跳动旗下剪映发布 Hub 与 AI 助手，并推出 AI Ultra，试图把生成素材直接纳入完整后期流程。
通义发布实时同传模型Qwen3.8-LiveTranslate
阿里通义推出实时同传模型，整合说话人识别、翻译和语音合成，覆盖数十种语言与多说话人场景。
阿里发布 Qwen3.8-Omni-Flash，支持百万 Token 上下文
阿里新模型原生处理文本、图像、音频和视频，并结合工具调用，面向长上下文多模态 Agent 工作流。
阶跃星辰发布 StepAudio 3 五模型音频家族
阶跃星辰推出覆盖实时语音、识别、合成、音频生成和音乐创作的五模型家族，并同步接入开放平台。
OpenAI据报斥资超3亿美元收购手机影像公司Glass
OpenAI据报以超过3亿美元收购Glass Imaging，把计算摄影能力纳入其不断扩张的消费硬件布局。
ElevenLabs发布Music 2.5，主打商业化音乐创作
ElevenLabs发布Music 2.5，支持长篇作曲、段落换风格、说唱和人声，并通过创作者产品及API进入商业制作流程。
Meshy发布Mora 1，转向世界模型方向
以3D资产生成起家的Meshy公布Mora 1项目，开始探索从单个物体生成走向可理解、可交互的完整世界。
Runway向企业开放前沿视频模型权重授权
Runway宣布企业可授权其前沿模型权重，在私有数据上微调并自行部署，获得更强的数据、基础设施和生产控制权。
环球音乐与ElevenLabs达成生成式音乐合作
环球音乐与ElevenLabs宣布多年战略合作，计划与艺人、唱片公司和出版商共同开发授权AI音乐产品。
腾讯混元开源AuK，统一支持语音与音频编辑
腾讯混元联合上海交大等机构发布开源基础模型AuK，尝试用自然语言统一生成和编辑语音与其他音频。
OpenAI发布Images 2.5，强化精准编辑能力
OpenAI将Images 2.5推向ChatGPT和API，重点提升参考图一致性、多轮编辑稳定性与生成速度。
谷歌将Lyria 3.5推向Gemini及开发者平台
谷歌把Lyria 3.5从早期Flow Music入口扩展至全球Gemini用户、AI Studio和API，显著扩大音乐生成覆盖面。
微软在Foundry上线MAI-Image-2.6双模型
微软以完整版争夺图像编辑质量榜首，并用Flash版本降低生成成本，强化Foundry的企业图像生产能力。
Runway GWM Worlds 2 实时生成可交互视频世界
这项研究预览可持续生成720p、24帧的视听模拟，并根据文字、镜头和玩家操作实时改变场景。
MiniMax以轻量训练将H3改造成交互式世界引擎
MiniMax用8000条样本和不足千分之二的可训练参数，将H3视频模型中的动态知识转化为可交互环境。
World Labs 发布空间基础模型 Atlas
Atlas 用统一架构完成生成、三维重建与模拟，目标覆盖影视制作、机器人训练和虚拟世界开发。
Runway发布Solaris，以实时生成画面取代固定应用界面
这套研究系统逐帧生成可交互的720p界面，将视频生成能力延伸至软件形态和智能体训练环境。
Baseten用智能体将Qwen-Image延迟降低42%
Baseten称其智能体系统已能生成、验证并部署生产级优化，为图像和语言模型带来端到端性能提升。
Gemini Omni 1.1补齐长视频与镜头控制
谷歌新一代视频模型支持最长40秒场景延展、首尾帧控制、低成本草稿及4K输出。
Midjourney 向用户开放 V8.2 图像编辑模型测试
Midjourney 首款 V8.2 图像编辑模型开始扩大测试，支持文字指令修改、四图参考、局部重绘与画布扩展。
Recraft V4 Styles上线，参考图可直接生成统一风格
新功能无需单独训练，即可从一至十张参考图提取可复用视觉风格，并生成位图或可编辑SVG素材。
三大音乐集团与EA参投Stability AI新融资
Stability AI完成7600万美元B轮融资，EA及三大国际音乐集团参与，其发展路线进一步转向授权内容与专业制作。
Gradio推出可视化工作流，一张图直接部署API
Gradio新增Workflow功能，可将多步骤AI流程变成可检查的拖拽画布，并同步生成REST接口和可部署应用。
Runway推出Ruby，将生成视频转为专业HDR母版
Runway新模型可把上传或生成的SDR视频转换为高位深HDR文件，进一步进入专业调色与后期制作流程。
Tripo P2.0 预览版直出四边面，瞄准游戏资产生产
Tripo 推出可生成原生四边面拓扑的 P2.0 预览版，最高支持2.5万四边面，重点服务角色与实时游戏资产。
Higgsfield 融资 4 亿美元，估值升至 54 亿美元
这家生成式媒体公司获得大额融资，将扩张视频与图像平台，迎战持续升温的全球 AIGC 竞争。
Meshy 7 技术报告披露图像转 3D 对齐方法
Meshy 发布新技术报告，解释最新系统如何把参考图中的比例、结构与关键部件更准确地还原为可用三维几何体。
谷歌在多数市场开放关闭Gemini与Flow可见水印，SynthID仍将保留
多数市场的用户可关闭生成图片、视频和音乐上的可见水印，但谷歌仍会保留SynthID和C2PA来源信息；法律要求显示标识的地区不适用。
Suno Studio 2.0 上线对话编辑、MIDI 与自定义效果
Suno 正从“一句话生成歌曲”转向可持续编辑的音乐制作环境，让创作者能够细调 AI 生成曲目的组成与声音。
LTX-2.5 开放权重，用自适应算力提升视频质量
新一代开放权重视频世界模型引入动态渲染机制，并支持原生 4K HDR、音画同步和更强的多镜头控制。
阿里推出 Wan CLI，把视频生成塞进智能体工作流
阿里通义万相发布命令行工具 Wan CLI，智能体可直接以编程方式调用其图像与视频模型，安装只需粘贴一条命令。
MAI-Image-2.6 首次上榜即拿下文生图竞技场第二
微软 AI 新版图像模型以 1336 分空降 Arena 文生图榜第二，上一代 2.5 仅排第十，与榜首 GPT Image 2 相差 45 分。
Grok Imagine Image 2.0 双榜空降第二，随后在文生图榜退居第三
SpaceXAI 最新图像模型首次上榜即在文生图与图像编辑两个榜单位列第二；至 8 月 11 日，它在文生图榜已被微软 MAI-Image-2.6 挤到第三，图像编辑榜仍保持第二。
阿里推出 CosyVoice Studio，把语音能力打包成一个平台
基于自研 Qwen-Audio 模型，把录音成稿、语音智能体与有声内容创作合为一体，四端上线并限时免费。
Seedance 2.5 开放 API，欧美平台排队接入
字节跳动正式开放这款 30 秒视频模型的公开 API：Luma 提前一天上线、Runway 当日跟上，Krea、Lovart、Pika 等平台宣布接入但仍在陆续推进。
Suno 宣布给 AI 生成歌曲加水印与指纹
该音乐生成平台将嵌入抗篡改音频水印、引入指纹识别、收紧批量下载，并接入 Musixmatch 的 Sentinel 歌词版权检测系统。
FLUX 3 视频模型结束灰度，登陆 Runway 与 Krea
Black Forest Labs 的 20 秒原生带音轨视频模型 8 月 4 日在 Runway、Krea、Replicate 同步开放，结束限量灰度期。
京东开源 JoyAI-Video-Edit：160 亿参数实时视频编辑
京东开源 JoyAI-Video-Edit，160 亿参数、Apache 2.0 协议，单张 NVIDIA B200 上以约 30 FPS 完成 720P 视频实时编辑。
Sand.ai 开源 MAGI-2：1140 亿参数 MoE 视频模型
国内视频大模型公司 Sand.ai 放出 MAGI-2-preview 权重与推理代码，1140 亿参数稀疏架构、Apache 2.0 协议，可生成带同步音轨的 1080P 视频。
MiniMax H3 登顶 Video Arena，成开源视频模型第一
Video Arena 榜单显示，MiniMax-H3 在文生视频与图生视频两个分区均位列开源模型第一，领先次名开源模型约 280 分。权重现已公开，但许可协议目前限制美、欧、英、韩地区的开源权重使用。
腾讯混元发布 Hy ASR 3.0 preview，元宝已首发上线
腾讯混元新一代语音识别模型上线，普通话、英语、粤语词错率均约 3%，已在腾讯云开放 API，元宝端免费可用。
通义万相上线实时功能，摄像头画面可即时转风格
万相发布 Real-time 实时功能套件，首个能力 Camera-to-Image 可把手机摄像头实时画面即时转成风格化图像，首发主打二次元。
MiniMax 放出 H3 视频模型开源权重
MiniMax 正式开放全模态视频模型 H3 的权重下载，让一款榜单前列的视频生成模型首次可以在本地部署运行。
加州AI透明度法生效：百万用户级模型须标来源
SB 942于8月2日正式施行，要求大型生成式AI提供方在内容中嵌入来源信息，并免费提供公开的检测工具。
欧盟《AI法案》透明度义务今日正式生效
8月2日起，《AI法案》第50条透明度义务在欧盟全域直接适用：机器可读标记、聊天机器人身份披露与深度伪造标注同步落地。
上线一天即下线：谷歌撤回地球生图功能
谷歌撤回由 Nano Banana 2 驱动的生图功能，此前用户可直接在卫星地图上生成并叠加虚构影像。
慕尼黑法院判 Suno 训练与输出双重侵权
德国慕尼黑第一地方法院认定 AI 音乐生成工具 Suno 在训练与生成两端均构成侵权，并驳回其美式「合理使用」抗辩；Suno 称不认同判决，正评估包括上诉在内的选项。
Snapchat 不再给纯 AI 生成视频推荐流量
Snap 调整 Spotlight 推荐规则，将完全由 AI 生成的视频排除在分发之外，但仍允许创作者用 AI 做剪辑与增强。
Ideogram 联手 Pruna 推出每张 0.003 美元的图像模型
P-Image-Ideogram 提供四档质量模式、原生 1K 与 2K 输出、3 至 8 秒出图，直接瞄准规模化生产的图像流水线。
Seedance 2.5 开放公测，单次可生成 30 秒
字节跳动 Seedance 2.5 于 7 月 31 日结束企业内测，在国内即梦与海外 Dreamina 同步开放，单次可生成 30 秒视频。
通义万相上线 Realtime 模式：边打字边改画面
阿里万相团队在 wan.video 上线 Realtime 模式，用户持续输入描述时画面即时随之变化，进一步押注实时交互式生成。
Ideogram 推专用擦除模型，称居 RemovalBench 首位
Ideogram 发布专用对象擦除模型，连阴影与反射一并清除，官方称在 RemovalBench 上优于 Nano Banana 2、FLUX Erase 与 GPT Image-2。
谷歌 Lyria 3.5 上线 Flow Music，支持选段重绘
谷歌在 Flow Music 推出 Lyria 3.5，新增选段重绘功能，可只重做曲目中的一段，或把一小段构思扩写成完整歌曲。
OpenAI 发布 GPT-Transcribe 与实时转写模型，取代 Whisper
两款新语音转文字模型成为 OpenAI 推荐默认方案，支持可提示的上下文注入，价格低至每分钟 0.0045 美元。
报告：Hugging Face 热门图像编辑模型多数会「一键脱衣」
欧洲非营利组织 AI Forensics 发现，Hugging Face 上最热门的九个图像编辑模型中有七个会直接执行脱衣指令。
Midjourney 将 V8.2 设为默认图像模型
Midjourney 让 V8.2 结束预览、升为默认模型，这次以美学与个性化为重心，强化画质与风格参考表现。
Runway 为 Agent 加入自然语言 Workflows
Runway 让创作者用自然语言在 Runway Agent 中构建、运行和修改节点式 Workflows，把搭建生成流水线变成一句话的事。
Black Forest Labs 推出 FLUX 3：首个视频模型原生带音频
FLUX 图像模型背后的德国实验室发布多模态旗舰 FLUX 3，单次生成 20 秒带原生音频的视频，并预告年内开源多模态底座。
PixVerse 上线 VibeMV:一首歌一键生成完整 MV
爱诗科技 PixVerse 发布 VibeMV,上传歌曲即可一键生成节奏卡点、可带歌词字幕的完整 MV,网页、安卓与 API 同步上线。
ElevenLabs 上线 Vocals 与 Styles：音乐人可用自己的声音微调 AI
ElevenLabs 推出 Vocals 和 Styles 功能，音乐人上传自己的作品即可微调 Music v2，生成带本人嗓音和风格的歌曲，上传素材需过版权筛查。
HeyGen 上线 Audio to Video：一段语音加一张图，一次 API 调用出视频
HeyGen 推出 Audio to Video 功能：不用写脚本，直接口述，一段语音加一张图片经一次 API 调用即可生成视频，还支持批量生产。
HeyGen 推出 companion mode：让 Agent 从"接单"变"导演"
HeyGen 新模式让 AI Agent 先提多个创意方向、中途交storyboard确认再渲染成片，把视频生成从一锤子买卖变成迭代式导演流程。