岛刊社 · 专题

图像、视频与语音

生图、生视频、语音模型和多模态应用。

37 篇全部专题

回到小岛 →

2026-10-31

做活动视觉，Figma 把「一次生图」变成了可复用的工作流

Figma Weave 把生成、编辑、比较串成节点，还能封装为同事一键运行的工具。本文给一份把一次成功创意沉淀成团队资产的四步检查表。
2026-10-28

一个功能请求带着视频进 PR，工程师还需要看什么？

Replit 让非工程同事把需求交成带测试、截图和视频的 PR。真正需要重设的，是权限范围、验收证据和最终合并权。
2026-10-24

做产品视频时，Kling 4.0 的 15 个参考素材该怎么排

Kling 4.0 的 API 可用后，产品视频最容易踩的坑不是提示词，而是把角色、商品、运镜和节奏混进同一堆参考图。把它们先排成镜头清单，30 秒才有机会像一个片段。
2026-09-21

视频字幕可以交给 AI，人别退出生产线

听写、初翻和打轴可以交给模型，但专有名词、断句与画面语气还得有人签字。给内容团队留三道人工关，才能把提效真的换成可交付。
2026-09-18

音视频 Agent 要交付任务，Qwen3.8-Omni-Flash 先得过三关

Qwen 把音视频输入成本压下来，也把 Agent 从看懂素材推向执行任务。接入前别急着换整套流程，先把输入、输出和动作权限过三道验收。
2026-09-17

Vidu S2 要进直播间，先把「不断流」写进验收单

实时换装、换人和换背景已经能发生在持续视频流里。Vidu S2 值不值得接，不该只看一段样片；直播和互动视频团队更该先验三段不断流。
2026-09-15

做语音 Agent，81.5 分第一的模型要不要换

GPT-Live-1 在最新语音榜单拿到 81.5 分。可对电话客服、预约和语音助手团队来说，迁移与否不该由 0.2 分决定，先用十通真实电话把打断、工具、成本和兜底验明白。
2026-09-14

一首 BGM 改一句歌词，Suno v6 不用再整首重抽

Suno v6 真正值得看的一步，是把配乐从一次性抽卡改成可编辑的工作流。做视频 BGM 时，用 mini 试方向、wild 找意外、v6 收成品，返工会少很多。
2026-09-13

语音 Agent 不该全塞进一个模型，GPT‑Live‑1 的新分工

GPT‑Live‑1 终于进了 API，但全双工只是前台体验的升级。语音层、推理层、工具权限和后台任务仍该分开算账，这份分工表比换模型更值得先做。
2026-09-13

代码有点乱时，92 万次安装的 Skill 先画诊断

在一个有连续提交记录的本地语音输入法里实测后，它没把 543 行热键代码拆散，而是把泄漏的剪贴板归还协议收进一个可验证的小模块。
2026-09-02

Gemini 视频省 88% Token，抽检反而要加码

Gemini 开始自己决定看哪段视频、听哪段音频。账单可能真会降，但证据路径也变得更难复现。这里给一套能直接落进视频 Agent 的双轨验收法。
2026-08-31

H3 Max 跑得比播放快，离直播产品还很远

五秒视频约三秒生成，只够解决画面来不及这一题。连续性、输入缓冲、实时审核和故障恢复，才决定一条 24 小时 AI 频道能不能从演示活成产品。
2026-08-30

这个 PPT Skill 21.1 万次安装、17.3 万 Star，同题少吃 20% 输入 Token

同一份 8 页产品汇报、同一个模型、同一个公司模板。Skill 没让版式碾压裸模型，却把模板盘点、原生图表和两轮 QA 固化下来，输入 Token 还少了 20.4%。
2026-08-27

Gemini 3.5 词错率 2.6%，原话却更难追

会清理口头语和自我纠正的转写很省事，却不该直接充当审计底稿。语音系统要同时留住原始音频、逐字稿和清洁稿。
2026-08-26

OpenRouter 视频 API 最贵的 Bug，不在模型里

统一端点让 Seedance、Veo、Wan 切换更快，但生产系统真正会翻车的是异步任务状态、重复提交和回调重放。本文给出一份能直接落地的 job ID、幂等、恢复与成本清单。
2026-08-24

Codex 给图片补预算，视觉 Agent 早该补课了

0.149.1 只改了 5 个提交，却翻出视觉 Agent 的一笔旧账，文本有 token 预算，截图、标签和后台线程也得能计量、追踪、验收。
2026-08-20

FastMetal 最狠的不是 30 秒，是 3.2GB

Mac 上的本地视频生成终于不只看能不能跑。FastMetal 把 DiT、采样器和解码器留在统一内存里，也把冷启动、量化质量与无风扇机器的真实代价摊到了桌面上。
2026-08-05

SeedRealtime 最难的不是开口，是被打断

边看边听边说只是表面，实时 Agent 真正难在判断何时沉默、如何取消旧动作，以及怎样在连续音视频里守住状态与权限。
2026-08-02

Grok 看懂了视频，却在关键一问开始猜

Grok 宣布能分析任意视频，官方演示却也露出视频 AI 的老问题。描述画面不难，给时间码、交证据、承认不知道，才决定它能不能进真实工作流。
2026-08-01

'Suno 一审输了，致命点是模型真记住了'

'法院没有只追问训练集里有什么，而是追到 Suno v3.5 与 v4 能否把六首作品吐回来。判决尚未生效，却把生成产品最该补的一类验收题摆到了台面上。'
2026-07-31

Gemini Robotics 2 最值钱的不是聪明，是会验收

Google 把 Agent 的工具调用、持续视频与任务验收塞进机器人的高层大脑。看懂 ER 2，才能看懂机器人为什么开始从炫技走向工作流，也能看清它离真正上岗还差哪几层。
2026-07-31

MiniMax H3 最值钱的不是 2K，是开放权重

2K、15 秒、原生立体声都很亮眼，但 H3 真正可能改变的是视频生成的工程形态。等权重、许可证和推理栈落地，它才有机会从网页里的抽卡工具变成可编排、可部署、可验收的创作底座。
2026-07-31

Seedance 2.5 不是视频模型，它开始像剪辑软件

30 秒生成和 50 份参考素材很抢眼，真正改变工作流的却是白模、时间戳和局部编辑。生成视频终于不只靠重抽，但控制权也带来了素材、版本与验收的新账单。
2026-07-24

20 秒视频是顺手的，FLUX 3 瞄的是机器人

BFL 发了 FLUX 3，全网都在刷 20 秒带声视频，但官宣帖最后一行才是重点，动作预测。这篇聊聊视频模型怎么变成机器人的大脑，30 小时的数据活怎么被压到 30 分钟，以及这次不放权重，靠 FLUX 生态吃饭的人该怎么办。
2026-07-23

AI 配音开始会演戏，这行的门槛先塌了一半

通义新 TTS 险胜登顶世界榜单，但第一名不是重点。在台词里写个中括号就能让 AI 发火、倒吸气、咯咯笑，配音从选音色变成写剧本。做语音应用的朋友，300 毫秒首包和那个没开源的细节，更值得你看完。
2026-07-20

字节这个音频模型，最狠的不是能配音

Seed Audio 1.0 把人声、音效、环境声塞进一个模型端到端生成。对做视频播客的人来说，真正省掉的不是配音，是那套拼来拼去的活。但有几个坑官方没细说。
2026-07-19

一个人干了四个月，把 16 家的语音模型塞进同一个库

whisper.cpp 之后，本地语音转录的生态碎了一地，每换一个模型就得换一套引擎。现在有人用 ggml 把 16 个模型族缝回一个库，Qwen3-ASR 和 SenseVoice 都在列。看完这篇，你就能在自己电脑上把会议纪要跑起来。
2026-07-16

你发的 3 秒语音，够骗子克隆一个你

佛州老人听着女儿的哭声取了 1.5 万美元，哭声是 AI 合成的。FBI 首次把 AI 欺诈单列成类，全球深度伪造鉴定第一人承认自己快失明了。这篇从工程角度讲清 3 秒为什么够、检测为什么跑不赢，以及今晚就该跟家人做的一件事。
2026-07-15

阿里语音模型超了 GPT-Realtime，最狠的不是那个第一

Qwen-Audio-3.0-Realtime 登顶语音推理榜，但真正值得开发者看的是双工控制、把文本推理蒸馏进语音，以及官方自己贴出来的那张掉分表。
2026-07-07

你用 Google，就在帮它训练 AI：6 月悄悄改的隐私开关，教你关掉

Google 6 月低调改了搜索服务隐私设置，默认把你上传的图片、语音、文件拿去训练 AI。讲清楚发生了什么，以及手把手教你关掉。
2026-07-04

把文字压成图片喂给 Claude Code，token 成本直接砍一大半

一个叫 pxpipe 的开源工具，利用视觉 token 只按像素计费的规则，把大块上下文渲染成图片省钱，还把有损的坑全摊在阳光下。
2026-07-01

四秒一张图，谷歌把生图生视频打到白菜价

Nano Banana 2 Lite 四秒出图 0.034 美元一张，Gemini Omni Flash 一毛钱一秒视频，两条 API 就能串出生图到视频的流水线。
2026-06-24

ChatGPT 语音终于能被打断了：OpenAI 双向语音模型 Bidi 1 上线测试

Bidi 1 把语音从一人一句的对讲机，推向边说边听、随时插话改口的全双工，这才是真人聊天的质感。
2026-06-14

Suno 把音轨分离重做了，不是抠频率是从零重新生成一遍

不再隔离频率，而是把每条音轨从零重新生成，这背后是判别式到生成式的范式调头
2026-06-11

Google 把画图的那套扩散模型，拿来写字了，快了 4 倍

DeepMind 开源 DiffusionGemma，文本不再一个字一个字往外蹦，而是一次 256 个 token 整块生成。本地推理速度翻 4 倍，26B 模型塞进消费级显卡。
2026-05-19

Codex 自己给自己出了一条视频，我看完想抄这套方案

歸藏用 Codex 整合四个工具做了一套 AI 视频生成方案——PPT Skill 出视觉、HyperFrames 做渲染、Listenhub 配音、即梦补镜头，能在聊天窗口里直接预览。这条视频，是 Codex 自己介绍自己的。
2026-05-14

Kimi K2:460 万美元，赢了

Moonshot AI 创始人杨植麟在 40 分钟视频里平静拆解了 Kimi K2 的训练，460 万美元打败了 GPT-5.5，规则正在改变。

Claude Code AI 编程 Agent 工程 Skill 与 MCP 模型与发布开源 AI 安全评测与基准行业与公司机器人与自动驾驶算力与本地部署