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追踪问题，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与角色保持的评测结果，便于了解多智能体编排在视频生成中的具体分工。
技术方向
AI 视频 最新动态
AI 视频生成与理解：文生视频模型、视频编辑工具与影视创作变革的追踪。
12 条精选近 30 天 2 条共收录 27 条
更新
AI 视频的精选
Google Research精选AI 评分6666 Google DeepMind精选AI 评分7474 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 基础上为原生实时对话模型加入近实时视觉形象，可同时处理视觉与音频输入并输出带表情和口型同步的音视频。
推荐理由：官方给出 Live Avatar 的多模态对话、异步工具调用与 97 语言同步细节，可据此判断企业级实时数字人落地的能力边界。
Google DeepMind精选AI 评分7474 Google DeepMind 为 Gemini 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 token 与成本降幅及准确率变化，并说明 API 开启方式，便于开发者评估长视频分析方案。
Google DeepMind精选AI 评分7272 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：官方给出场景延展、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 DeepMind精选AI 评分7878 Google DeepMind 发布 Nano Banana 2 Lite 与 Gemini Omni Flash
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。
推荐理由：两款新模型同时开放开发者入口，并给出延迟、单价与能力边界，便于判断多模态流水线的成本与可行性。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini Omni Flash 视频生成模型
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 把多模态输入与对话式视频编辑结合，读者可据此判断视频生成工作流的变化方向。
Hugging Face Blog精选AI 评分6262 Overworld 发布 Waypoint-1.5 实时视频世界模型
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。
推荐理由：Waypoint-1.5 把实时生成世界模型下放到消费级显卡，读者可据此判断本地交互式世界生成的硬件门槛。
Hugging Face Blog精选AI 评分7474 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，Small 版为 2.3B 参数。
推荐理由：原文给出模型权重、训练方法和推理库，读者可据此判断实时交互视频生成的技术路线与可用性。
Google DeepMind精选AI 评分6060 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，并给出 18x 至 300x 的加速数据，可据此判断 4D 重建的实时化路径。
Google DeepMind精选AI 评分7171 Google DeepMind 更新 Veo 3.1 Ingredients to Video，新增原生竖屏与 1080p/4K 放大
Google DeepMind 更新 Veo 3.1 Ingredients to Video，让基于参考图生成的视频在短提示词下更富表现力，并提升角色身份、背景与物体的一致性。
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迁移。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolVLM2 视频理解模型，含 2.2B、500M 和 256M 三个尺寸
Hugging Face 发布 SmolVLM2 系列视频理解模型，包含 2.2B、500M 和 256M 三个参数规模，并称 500M 与 256M 是迄今最小的视频语言模型。
推荐理由：Hugging Face 发布三档小尺寸视频理解模型，并给出端侧与 MLX 的可用路径，可据此判断小模型做视频理解的实际边界。
Hugging Face Blog精选AI 评分6262 Diffusers 中的开源视频生成模型现状
Hugging Face Diffusers 团队梳理了开源视频生成模型的现状，列出 CogVideoX、Mochi-1、HunyuanVideo、Allegro、LTX Video 等开放模型与 Sora、Veo 2、Kling 等闭源模型的对照。
推荐理由：Diffusers 团队梳理开源视频生成模型现状，并给出显存优化与微调的实测数据，可据此评估本地部署门槛。