07 月 29 日
154 条动态
Stream3D 被 CVPR Workshop 接收，研究的是如何从单目流里做长时序 3D 资产生成。它把冻结的 3D 生成器包装成流式生成器，用 evidential memory 维持几何和外观一致性，而且不需要重新训练。 项目强调三个点：常数级内存占用、长序列一致性更好、以及一个训练无关的 wrapper，会为每个 3D token 选择最有证据价值的历史视图。项目页还给出了在 GSO 和 NAVI 上的定量提升。 基于冻结单视图 3D 生成器的训练免费包装器 跨 chunk 的内存有界，与序列长度无关 按 token 选择最相关历史视图
一位创作者用 Agent One 做出了一支 90 多秒的电影感恐怖预告片，而且不是单镜头直叙，而是按真正的电影 teaser 方式剪成了碎片化场景。 叙事围绕“主角在精神病院醒来、所有人都消失了、黑暗中有东西在靠近”展开。 创作重点是通过递进式紧张感、诡异对白和反复出现的怪物，模拟真实电影预告的节奏。 原帖还表示会继续公布这支 trailer 的完整制作流程。
Emollick 讲的是一张 AI 生成图的风格迭代过程： 最初版本偏写实。 他要求更有创意后，模型改成了双色漫画风。 但那样会产生太多摩尔纹，所以最后改成了更像 丝网印刷 的风格。 他自己最重要的建议，是把戒指部分的灵感改成 Klimt。 配图展示了多个风格实验版本，包括最终更像海报印刷的效果。
Magnific Spaces 展现了其作为多模态创作工具的强大“一站式”能力。创作者们不仅利用该工具生成了具有低沉工业噪声风格的音轨，还通过名为“ASHES SEQUENCE”的拼接工作流，制作出包含连贯角色、世界观和道具的 60 秒长视频。这表明单一工具链已能独立完成从影像到配乐的完整复杂创作。
作者先指出：做出一个 5 秒 AI 片段 很容易，但要让 60 秒长场景 在同一角色、同一世界观、同一关键道具下保持连贯，就难得多。 他用 Magnific Spaces 做了整套流程。 叙事设定是：一个快递员、一个濒死的火山殖民地、一个密封箱子。 帖子强调会公开完整工作流，并提供了可直接尝试的入口。
Fish Audio 开源了 S2，这是一款强调 语音情绪与韵律细粒度控制 的 TTS 模型。 它支持在文本中插入自然语言式控制指令，例如 [laugh]、[whispers]，也可以用类似 [professional broadcast tone] 这样的开放式描述，把控制放到具体词或短语位置。官方称该系统在约 50 种语言、超过 1000 万小时 音频上训练，并结合了强化学习对齐与双自回归架构。发布内容还包括模型权重、微调代码和基于 SGLang 的流式推理引擎；文中给出的基准结果显示，它在若干评测上超过 Seed-TTS、MiniMax-Speech 以及 gpt-4o-mini-tts。
这条用“以前一切都很简单”来接一个关于 Illusion Diffusion 的引用，后者被称作建立在早期 QR Code LoRA 技巧上的“时代性应用”。 整体语气更像是在怀念图像生成早期的单纯和惊艳：那时候一个小技巧就能做出刷屏效果，如今这个领域已经复杂得多。
这条帖介绍了一个可复用的 multishot-quartet 技能：把 一张图 自动扩展成 4 个电影感不同的视频方向，几乎不需要手工提示词。 它基于 Claude + Kling MCP。流程是先加载一次 skill，之后每次上传图片，系统会先分析画面，再提 4 个问题，然后并行发起 4 个 image_to_video 任务，分别走不同的 cinematic register。原帖还附了可直接复制的完整 skill prompt。
Invideo推出的Agent One工具展示了其强大的对话式视频生成能力。多位用户实测表明，只需提供核心创意，通过多轮自然语言对话进行持续反馈，该工具就能从零开始打磨出完整的故事线、视觉世界、氛围、镜头运动和节奏，最终端到端生成一支极具电影质感的预告片。
一位创作者称，只给 Claude 一张角色设定表，再接上 Higgsfield MCP，就能把奥德修斯神话直接做成一段 40 多秒的电影感视频。 Demo 里是一位美丽的塞壬唱歌，引诱整船船员走向沉船。 作者强调，不需要手工拆提示词。 这套流程被包装成「Claude + Higgsfield MCP」的神话到电影生成工作流。
