Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 多智能体框架，作为 Gemini 和 Veo 之上的编排层，把长视频生成建模为全局优化与世界状态跟踪问题，缓解语义漂移和级联失败。
推荐理由：Google 把长视频生成拆成四个可组合框架，并给出多镜头一致性的评测基准与量化结果。
#视频
#视频
今日 0 条Google Research精选AI 评分7171 Google DeepMind精选AI 评分7171 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在 Gemini 3.8 Live 的原生实时对话模型上加入近实时视频生成，实现带口型同步、自然表情和流畅轮次的视觉化对话。
推荐理由：官方给出 Live Avatar 的实时音视频对话能力、97 种语言切换与企业定制入口，可据此判断多模态智能体的落地形态。
Google DeepMind精选AI 评分7575 Google DeepMind 为 Gemini 3.7 Flash 等模型推出智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上推出智能体视频理解功能，视频分析 token 消耗最多降低 88%、成本最多降低 66%、准确率最多提升 7%。
推荐理由：官方给出视频分析在 token 消耗、成本与准确率上的量化变化，以及 API 启用方式，便于开发者评估是否迁移现有视频处理流程。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini Omni 1.1 Flash
Google DeepMind 发布 Gemini Omni 1.1 Flash，通过 Gemini API 在 Google AI Studio 提供面向开发者的生成视频能力。
推荐理由：官方给出场景延长、首尾帧插值与 4K 放大等具体能力与 API 入口，可据此判断生成视频工作流的可控性变化。
Google DeepMindAI 评分3131 Google DeepMind 与 A24 宣布首个研究型合作伙伴关系
Google DeepMind 与 A24 宣布达成首个研究型合作伙伴关系，将顶尖研究实验室与电影制作公司配对，帮助艺术家开发新工作流与技术。双方将围绕多个项目展开长期深度研发协作，Google 同时已对 A24 进行投资。该合作初期聚焦弥合前沿技术与下一代娱乐之间的差距，具体目标与技术产出将随时间演进。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价与可用入口，读者可据此判断图像与视频生成链路的成本取舍。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini Omni Flash，支持对话式视频编辑
Google DeepMind 发布 Gemini Omni 系列首个模型 Gemini Omni Flash，可组合图像、音频、视频和文本输入生成高质量视频，并通过自然语言多轮编辑视频。
推荐理由：Gemini Omni Flash 把对话式视频编辑和多模态输入生成放在同一模型里，可据此判断视频创作流程的变化。
Hugging Face Blog精选AI 评分7878 NVIDIA 发布 Nemotron 3 Nano Omni 全模态模型
NVIDIA 发布 Nemotron 3 Nano Omni，一款面向文档分析、多图推理、语音识别、长音视频理解与智能体电脑操作的全模态理解模型，在 MMlongbench-Doc、OCRBenchV2、WorldSense、DailyOmni、VoiceBench 等榜单上取得领先成绩。
推荐理由：原文给出架构、训练配方与多榜成绩，可据此判断开源全模态模型在文档、音视频与智能体场景的可用性。
Hugging Face Blog精选AI 评分6262 Overworld 发布 Waypoint-1.5 实时视频世界模型，面向消费级 GPU
Overworld 发布实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境，并新增面向更广消费级硬件的 360p 版本，后续将支持 Apple Silicon Mac。
推荐理由：Waypoint-1.5 把实时世界模型从数据中心拉到消费级显卡，读者可据此判断本地交互式生成世界的硬件门槛。
OpenAI NewsAI 评分2222 Descript 如何用 OpenAI 推理模型实现大规模多语言视频配音
Descript 借助 OpenAI 推理模型实现大型内容库的自动本地化，在不丢失时间轴与语义的前提下完成多语言视频配音。该方案面向大规模内容库的配音场景，解决了规模化本地化中的时序与含义保持问题。
OpenAI NewsAI 评分2222 Sora 信息流理念：个性化推荐、家长控制与安全护栏
OpenAI 公布 Sora 信息流的设计理念，通过个性化推荐激发创作、促进连接，并以家长控制和强护栏保障体验安全。
Hugging Face Blog精选AI 评分7171 Overworld 发布 Waypoint-1 实时交互视频扩散模型
Overworld 发布实时交互视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘控制，权重已上线 Hugging Face Hub，Waypoint-1-Small 为 2.3B，Medium 版本即将推出。
推荐理由：原文给出模型规模、训练数据量与推理库性能数字，可据此判断实时交互视频生成在消费级硬件上的可行性。
Google DeepMind精选AI 评分6262 Google DeepMind 发布 D4RT 模型，统一 4D 场景重建与追踪
Google DeepMind 发布 D4RT（Dynamic 4D Reconstruction and Tracking），用统一的编码器-解码器 Transformer 架构完成动态场景的 4D 重建与追踪。
推荐理由：D4RT 把动态场景重建统一进单一框架，读者可了解 4D 重建的效率提升幅度与机器人、AR 等落地方向。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，支持原生竖屏与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 的 Ingredients to Video 能力，让基于参考图生成的视频在简单提示词下也有更丰富的对白与叙事，并提升角色、背景和物体的一致性。
推荐理由：官方说明了 Ingredients to Video 在角色一致性与竖屏输出上的具体变化，可据此判断移动端短视频工作流是否值得切换。
Hugging Face BlogAI 评分3030 Hugging Face 用 Gradio 一条命令为 AI 生成内容添加可见水印
Hugging Face 在 Gradio 中内置可见水印功能，创建 Space 时只需为 gr.Image、gr.Video 添加 watermark 参数，即可在 AI 生成的图像和视频上显示水印，水印支持文件名、图像或 numpy 数组，也可使用 QR 水印。gr.Chatbot 同样支持文本水印，用户复制 AI 回复时会自动附带署名，便于 AI 透明度与披露。
Hugging Face BlogAI 评分5050 TimeScope：你的视频大模型到底能看多长的视频？
Hugging Face 开源长视频理解基准 TimeScope，将 5-10 秒的"针"片段插入 1 分钟至 8 小时的视频中，考察定位检索、信息综合与细粒度时序感知三项能力。测试显示，包括 Gemini 2.5-Pro 在内的领先视觉语言模型在真正的长视频任务上仍表现吃力，性能随视频变长明显下滑。
Hugging Face BlogAI 评分3636 Hugging Face 发布 FineVideo：4.3 万视频、3.4 千小时的开源视频数据集
Hugging Face 构建了 FineVideo 数据集，包含 4.3 万个视频、总时长 3.4 千小时，并配有丰富描述、叙事细节、场景切分和 QA 对。该数据集从 YouTube-Commons 的 190 万条英文视频出发，经词密度与视觉动态性过滤后，用 Gemini 1.5 Pro 和 GPT-4o 完成内容标注与结构化输出。
Hugging Face BlogAI 评分4747 Hugging Face 深度解析文本到视频模型：从 GAN 到扩散模型的发展与挑战
Hugging Face 发文梳理文本到视频模型的发展脉络，指出该任务比文本到图像更难，需保证帧间时空一致性。早期模型基于 GAN 和 VAE，随后 Phenaki、Make-A-Video、NUWA、VideoGPT、CogVideo 等转向 Transformer 架构，当前主流则采用扩散模型。