Soundwich 提出一种无需训练的框架，将冻结的联合音视频 flow-matching 模型转化为可生成多条同步、可独立编辑音频轨道的系统。框架通过共享场景表示传递全局视听上下文，并让每条音频轨道与对应视觉来源进行跨模态交互，以保持声音与视频协调。论文称实验和人工评估显示其在时间控制、来源分离和自然度方面有所改善，生成的音频轨道可独立调整时序、静音、替换或重混。
推荐理由：论文展示了如何在不训练新模型的情况下，把单一混音拆成可独立编辑的同步音频轨道，为音视频生成的后期重混与来源级控制提供参考。
论文提出 Audible World Models，一种 training-free 框架，可从文本提示构建全景 3D proxy，将声音源锚定到重建几何，并根据听者视点和运动渲染空间音频。对 80 个生成场景的实验显示，该方法在空间一致性上优于文本、视频和全景图条件基线，同时保持有竞争力的语义对齐；论文已被 NeurIPS 2026 接收。
推荐理由：论文将声音源位置、3D 几何与几何声学传播纳入世界状态，为构建随观察者移动而变化且保持空间一致性的多模态世界模型提供了可复用路线。
Kling 4.0将于2026年10月正式发布，原生视频生成时长从3–15秒扩展至3–30秒，并支持最多10个关键帧。新版本还支持最多15个组合参考资产、10-bit HDR、双声道立体声和定向多模态视频编辑。Kling 4.0 Flash已于9月28日向有限用户开放提前体验。
推荐理由：这篇对比把时长、关键帧、参考资产和视频编辑放在同一框架中，便于按项目复杂度选择 Kling 3.0 或 4.0。
论文提出HelixWorld，使视觉场景与基于相机的空间立体声音在用户交互下共同演化。研究通过6-DoF相机轨迹和用户动作进行训练，并将模型蒸馏为低延迟流式模型，在单GPU上以24 FPS生成无漂移的音视频轨迹。论文还提出空间声学一致性与HelixBench，用于评估声音场是否跟随动态视点变化。
推荐理由：论文将空间立体声纳入实时世界模型，并以24 FPS单GPU交互和HelixBench展示音画协同建模与评测路径。
Runway 发布 GWM Worlds 2 研究预览，这是 GWM Worlds 的下一代实时交互世界模型，可实时生成 720p、24 fps 视频与 48,000 Hz 音频，并响应用户输入。
推荐理由：Runway 公开了实时交互世界模型的架构与限制，可据此判断实时生成在游戏和智能体仿真中的可用边界。
MiniMax 发布开放权重音乐生成模型 MiniMax Music 3，并已在 ComfyUI 上线。
推荐理由：可了解开放权重音乐生成模型的架构分工与结构化控制方式，为音乐生成选型和创作流程提供参考。
Black Forest Labs 的 FLUX 3 Video 已在 ComfyUI 通过 Partner Nodes 提供，目前上线的是视频生成，开放权重即将推出。
推荐理由：FLUX 3 Video 通过 ComfyUI Partner Nodes 上线，可据此判断原生音画同出与多风格视频在现有工作流中的接入方式。
Black Forest Labs 通过 BFL API 和部分合作方开放 FLUX 3 Video 生成能力的初始版本，可生成最长 20 秒的 HD 视频并同步生成原生音频，Full HD 通过超分输出。
推荐理由：官方给出 FLUX 3 Video 的生成能力、分辨率与草稿模式，可据此判断多模态视频生成在创作流程中的可用边界。
MiniMax H3 今日发布开放权重，并在 ComfyUI 中获得 Day-0 原生支持，可接收文本、图像、视频或音频，生成带立体声的 2K、最长 15 秒视频。
推荐理由：文章把 H3 的多模态输入、原生立体声和 ComfyUI 本地运行路径放在一起，并给出显存缩减与工作流入口，便于评估视频创作部署成本。
Google DeepMind 发布新一代音乐生成模型 Lyria 3.5，并即日起在 Google Flow Music 中上线。官方称其在音乐性、歌词、人声和创作控制四方面均有提升：旋律结构更丰富自然，歌词质量与提示词遵循、结构感知更好，人声更具表现力和情感且发音改善，并可更便捷地控制输出节奏与时长。
推荐理由：官方给出 Lyria 3.5 在旋律、歌词、人声与节奏控制上的具体改进方向，可供音乐生成工具选型参考。
Black Forest Labs 发布多模态基础模型 FLUX 3，进入 Early Access，联合学习图像、视频和音频，可混合模态生成图像与带音频的视频，单次生成视频最长 20 秒。
推荐理由：FLUX 3 把图像、视频、音频与动作预测放进同一架构，并给出与多家视频模型的早期对比，可供多模态选型参考。
ElevenLabs 发布 Music v2 音乐生成模型，提升人声、器乐、编曲和多语言支持，并支持更复杂的歌曲结构。模型支持按片段局部重绘、分段构建完整歌曲，以及在同一首歌中处理多种曲风、快速说唱和非音乐音效。
推荐理由：Music v2 将局部重绘、分段作曲和多语言演唱整合到音乐生成流程，便于比较创作者、品牌与开发者的不同接入方式。
Hugging Face 的 Diffusers 发布 0.38.0，新增多条图像与音频管线，包括离散扩散语言模型 LLaDA2、2B 激活 17B 参数的稀疏 MoE 图像模型 NucleusMoE-Image。
Google 推出 Gemini 3.1 Flash TTS，提升语音质量、可控性与表现力，并支持 70+ 语言和原生多说话人对话。模型引入可通过自然语言控制音色、语速和表达方式的音频标签，开发者可在 Gemini API 和 Google AI Studio 预览，企业可通过 Vertex AI 预览，Workspace 用户可在 Google Vids 使用。
推荐理由：音频标签、多人对话和 70+ 语言支持，为评估语音产品的表达控制、全球化覆盖与 API 落地路径提供了具体参照。
字节跳动 Seed 团队正式发布新一代视频创作模型 Seedance 2.0，采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四种模态输入，可同时输入多达 9 张图片、3 段视频、3 段音频及自然语言指令。
推荐理由：官方给出多模态参考、视频编辑与双声道音频的能力边界和失败项，可据此判断其在电商与影视流程中的可用位置。
ElevenLabs 宣布 Eleven v3 文本转语音模型结束 Alpha 阶段并正式可用，现已在所有平台开放。在覆盖 8 种语言、27 个类别的内部基准中，错误率从 15.3% 降至 4.9%，错误减少 68%；测试中用户有 72% 的时间更偏好新版本而非此前 Alpha 版本。更新重点包括更准确处理数字、符号和专业记号，例如将电话号码、货币、化学式和体育比分按上下文朗读。
推荐理由：这次更新提供了文本转语音模型在跨语言符号朗读和稳定性上的具体变化，便于评估号码、公式与复杂格式的生成可用性。
字节 Seed 团队正式发布新一代音视频创作模型 Seedance 1.5 pro，支持文本到音视频合成与图像引导的音视频生成，已上线即梦AI和豆包。模型采用基于 MMDiT 的统一音视频联合生成框架，实现口型、语调与表演节奏的音画同步，原生支持中文、英文、日文、韩语、西班牙语、印尼语及四川话、粤语等方言。
推荐理由：官方披露了音视频联合生成的架构与评测细节，可据此判断音画同步能力在短剧、广告等场景的可用边界。