标签
Modular 26.6 版本开放了 Mojo 编译器供外部贡献，增加了开发者体验改进，并扩展了 MAX，支持音频生成、新模型支持和更快的性能。
ElevenLabs 已在其 MCP 平台上添加了图像和视频生成功能，超越音频，支持多模态内容创作。
YuE2 是一款采用符号化规划的新AI音乐生成模型，在 WildSongBench 等基准测试中表现优异，达到或超越了 Suno v5 等专有系统的性能。
StepAudio 3 Gen 是一个通用音频生成模型，它使用残差向量量化令牌，在一个单一的离散自回归框架内统一了文本转语音、声音设计、音效和音乐。
一位独立音频研究员训练了名为 Foundation-1 的模型，该模型能生成用于音乐制作的无限单次音效，并将文本提示转化为可演奏的合成器，同时发布了模型、相关文档和推理工具。
theDAW是一款AI驱动的DJ应用程序，可在PC上本地运行，集成了Stable Audio 3和Magenta RealTime 2等模型用于音频生成，并且能够与Ableton和Reaper等音乐软件互操作。
Runway 发布了 GWM Worlds 2，这是一个可实时操控的交互式世界模型，支持 720p/24fps 视频和 48kHz 音频的实时生成，允许用户通过文本动作控制环境并接入智能体执行任务。
VIBE是一个AI系统，通过文本指令生成视频的背景音乐，使用连续潜在建模和强化学习来更好地同步视频的情绪、时机和风格。
Cartesia的TTS模型Sonic-3.6现已全面上线，从架构层面进行了重建，并在预览阶段收到了积极反馈。
StabilityAI 宣布推出两款适用于 Stable Audio 3.0 的新测试版工具：一个用于直接集成的 DAW 插件和一个增强的网页体验，用于编辑和生成，两者均具有商业安全性。
Diffusers团队宣布了多个开源权重AI模型，包括MiniMax H3、LTX 2.5、Wan Animate 2和MiniMax Music 3，突显了在多模态视频和音频生成方面的进步。
MiniMax-H3 的早期预览版 LoRA 支持 4 步音视频生成，取代约 20 步，采样速度大约提升 5 倍，但质量仍不成熟。
MiniMax-H3 Turbo 4步音频-视频生成的第三方ComfyUI兼容LoRA转换，包含进一步训练的checkpoint-500变体及示例工作流。
这是 MiniMax-H3 的早期预览版 LoRA，支持在 4 步采样（而非约 20 步）内联合生成视频和同步音频，采样速度约提升 5 倍，并附带 ComfyUI 自定义节点和三个 bf16 检查点。
本文介绍了SwanTale，一个支持零样本和指令任务的统一多说话人语音与音频生成模型，以及用于数据标注的SwanData-Caption和用于高质量多音频模态生成的SwanVAE。
OpenMMLab开源了Amphion，一个支持TTS、歌声转换、音效生成等多功能的音频生成工具箱，完全免费可商用，支持本地部署。
Black Forest Labs 宣布推出 FLUX 3，这是一个多模态基础模型，能够共同从图像、视频和音频中学习，实现跨模态的统一生成和理解，现已开放早期访问。
Black Forest Lab's Flux 3 是一种新型的全模态AI模型，能够生成和预测图像、视频、音频和动作。
BFL 推出了 FLUX 3，这是一个能够生成图像、视频和音频的多模态 AI 模型。
Lightricks releases LTX-2.5, an open-weights world model for generating synchronized video and audio from text, image, and video inputs, with features like native multishot generation and a new diffusion video decoder.