AI 世界，正在发生

适合关注的人：使用图像、视频或语音工具的创作者

• Nano Banana 2 升级并转稳定版。
• 厂商称画质、提示遵循、多轮角色一致性与文字渲染均有提升，新增 1K/2K/4K 全景比例。

导读建议的练习：固定一个角色做多轮改图，观察一致性能保持几轮；同时练习带文字的海报提示写法。

适合关注的人：使用图像、视频或语音工具的创作者

• 原生3–30秒视频，最多10个关键帧、15个参考素材，支持4K与双声道。
• 官方 9 月 30 日博文称 9 月 28 日起分批向小范围用户开放早期体验，完整版计划 10 月上线。

导读建议的练习：对比3.0与4.0官方示例，练习用分镜加关键帧写长提示词，观察参考素材如何约束角色一致性

适合关注的人：使用图像、视频或语音工具的创作者

• 新一代语音合成：90+ 语言，可用自然语言指令和内联标签控制情绪与音效，恢复专业声音克隆。
• 厂商称 Turbo 中位延迟约 100ms。

导读建议的练习：对比“文字描述语气”与“音频标签”两种控制方式的效果，并了解声音克隆所需的本人授权要求。

适合关注的人：使用图像、视频或语音工具的创作者

• 图像模型分两款：Sunburst 侧重精准编辑，Flare 侧重快速日常生成，并新增 xhigh 与 max 两个质量档位。
• 日期依据：官方更新日志；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：用同一个编辑任务对比两款模型和不同质量档的效果与费用，体会速度与精度的取舍。

适合关注的人：使用图像、视频或语音工具的创作者

• 音乐生成正式版：可生成完整歌曲，可控制时长和结构，支持图文输入并输出 44.1kHz 立体声。
• 厂商称连贯性与人声更好。

导读建议的练习：练习用段落、节奏、情绪等结构化提示控制歌曲走向，同时了解 AI 音乐的版权与标注规范。

适合关注的人：使用图像、视频或语音工具的创作者

• 视频生成与编辑模型转正式版：新增视频延长、首尾帧插值，以及 360p 到 4K 的分辨率控制（1080p/4K 通过放大实现）。
• 日期依据：官方更新日志；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：用对话式编辑反复细化同一段短片，体会“生成-修改”工作流，并分辨放大画面与原生分辨率的差别。

适合关注的人：使用图像、视频或语音工具的创作者

• 统一理解文本、图像、视频与声音输入的视频模型，默认 2K、最长 15 秒并原生生成立体声。
• 发布时称权重计划开放。

导读建议的练习：同一脚本分别用纯文本和带参考素材生成，体会统一多模态输入带来的差别

适合关注的人：使用图像、视频或语音工具的创作者

• 单次生成由15秒延长到30秒，可引用30图、10视频、10音频，支持时间戳级编辑。
• 官方坦言复杂动作仍待改进。

导读建议的练习：阅读官方“已知不足”段落，练习为生成视频写评测清单，而不只看演示片段

适合关注的人：使用图像、视频或语音工具的创作者

• 联合训练图像、视频与音频的多模态流模型，视频最长 20 秒并带原生音频。
• 分 Video、Image、Action、Dev 四线分批早期开放。

导读建议的练习：阅读其“真实世界模型”文章，理解多模态联合训练如何延伸到机器人动作预测这类新方向。

适合关注的人：使用图像、视频或语音工具的创作者

• 微软自研：图像 Pro 版主打高保真与图内文字渲染。
• 厂商称语音 Flash 版比 MAI-Voice-2 快 2 倍、便宜 32%，两者均在 Foundry 公共预览。

导读建议的练习：横向比较几家图像模型的图内文字准确度，并了解自研模型如何嵌入办公与客服产品。

适合关注的人：使用图像、视频或语音工具的创作者

• 第三代图像生成：约4.5k token长提示、10px小字与12种语言渲染。
• 未公开权重、基准与技术报告。

导读建议的练习：用报纸、试卷等密集版式提示词测试文字渲染，并保留失败样例做对比

适合关注的人：使用图像、视频或语音工具的创作者

• 强化信息图与密集文字排版、点选/套索/图层分离等交互编辑与人像质感，支持十余种语言。
• 日期依据：官方公告日期；2026-10-09 编辑核对官方来源，能力描述为厂商自述，本站未复测。

导读建议的练习：用一份学习笔记生成信息图，再逐项核对数据与文字有没有被准确保留