OmniShowcase：維持物件形態生成 360°影片運鏡

2026 年 10 月 29 日 Share to X Facebook Copy link

幾張多角度參考圖，就能引導 Wan2.1 生成沿不同鏡頭路徑移動的物件影片，並盡量保持外觀與立體結構一致。現階段程式碼與資料集尚未公開，硬件需求亦未交代。

想把一件商品或角色放進不同場景，再沿環繞鏡頭拍成影片，難處是視角轉到參考圖以外時，物件外形容易走樣。OmniShowcase 是一個影片生成模型項目，利用少量多視角圖片生成同一物件的影片，鏡頭路徑涵蓋完整 360° 環繞，目標是維持物件身份與 3D 結構。

它以 Wan2.1 image-to-video 模型為基礎，透過輕量 LoRA 調整生成模型。流程會由四張參考圖重建物件，再渲染成一組表面法線圖作為條件；生成影片時，鏡頭不必逐格對齊這組法線圖，提示詞可指定其他運鏡路徑。這令模型能沿指定路徑生成影片，而不只是重播固定的旋轉角度。

• Showcase-4K 是合成訓練資料集，涵蓋 12 種鏡頭運動及 88 種路徑配置。
• ShowcaseBench 是評測資料集，提供影片對應的來源網格與鏡頭參數，方便檢查生成結果。
• 項目展示環繞、螺旋下降、弧線移動、推近及拉遠等運鏡；目前提供的資訊未列出量化評測分數。
• 訓練資料、評測集、推理程式碼及訓練程式碼均尚待公開，暫時未能按文件安裝或執行。

這種方法適合商品展示、角色視覺化及需要多角度鏡頭素材的內容製作，也可供研究多視角條件影片生成的團隊參考。代價是生成品質依賴參考圖的 3D 重建與表面法線條件。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 模型訓練, Video, Image, 提示詞, 3D, Dataset 數據集, LoRA

---

Ming-3.0-tts：0.5B 優化講東話語音合成、語氣控制！

2026 年 10 月 28 日 Share to X Facebook Copy link

需要複製聲線、調整情緒，或按劇本生成多角色對話時，Ming-3.0-tts 提供多種控制方式，並支援多種語言與方言。

要為短片配旁白、製作有情緒起伏的角色對白，或生成多角色 Podcast，Ming-3.0-tts 都提供相應能力。這個開源語音生成模型項目支援中文、英文等七種語言，以及廣東話和四川話兩種方言；使用者可克隆參考聲線、用文字描述設計音色，亦可用自然語言指示演繹方式。

支持中文、英文、德文、西班牙文、法文、韓文和日文語音，亦可選擇四川話或廣東話；語速、音高和音量也可以調整。項目提供兩個模型：0.5b 是 dense model，tiny 則是建基於 Ling V3 的 MoE model，總參數量為 7.9B、每次啟用 1.3B。只有 tiny 支援按劇本和參考聲線生成多說話者對話。

兩個模型各有取捨。0.5b 在廣東話 Base CER、ACC，以及部分情緒和屬性控制指標取得領先；tiny 在多項多語言、聲線相似度和播客測試中排名靠前。不過，部分歷史紀錄仍由 Ming-omni-tts 保持，例如播客 CER；tiny 的韓語準確度、音高控制和角色扮演指令遵循能力，亦列為後續改善方向。

模型支持聲線複製、自然語言控制及多角色對話。適合需要製作多語言旁白、有聲內容或角色語音的創作者和開發團隊；若工作依賴特定方言的聲線相似度，或要求穩定遵循複雜角色指令，仍應先用目標語料自行驗證。

• 可用文字設計語氣聲線或選用內置中英文聲線。
• 支援 14 種中文或英文語氣標籤，以及情緒、語速、音高和音量控制。
• tiny 可按劇本生成多說話者對話；0.5b 不具備這項功能。
• 公開測試涵蓋方言、多語言、情緒、屬性控制和播客，兩個模型的領先項目各有不同。
• ComfyUI 整合

項目主頁 · GitHub · 模型

Categories: 開源, 文字轉語音, 模型, Content Creator, 語音, 廣東話

---

Google Genie 4：即時探索與互動世界模型

2026 年 10 月 28 日 Share to X Facebook Copy link

Genie 4 可按文字或圖像提示生成可探索的 3D 世界，讓研究人員測試 AI 如何在變化中的環境裡理解場景和採取行動。

輸入一段描述或一張圖像，AI 便能生成可探索的 3D 世界，並隨玩家的操作即時改變場景。Google DeepMind 推出的 Genie 4 是一個世界模型研究項目，目標是建立能模擬環境、回應互動場景，為訓練和研究具身 AI 提供測試空間。

Genie 4: A new generation of world simulation

這類場景並非預先錄製的影片：玩家可以移動和探索，模型則持續生成後續畫面。研究人員可藉此觀察 AI 能否掌握環境的空間關係，並在多種情境中持續採取合適行動；不過，生成結果能否長時間保持一致，仍是世界模型需要面對的挑戰。

Genie 4 延續 Google DeepMind 的 Genie 系列研究。官方介紹聚焦於模型生成互動世界的能力，但未提供足以比較不同模型的完整量化評測，因此不宜單憑展示內容推斷它已能穩定支援所有模擬或訓練工作。

• 可由文字或圖像提示生成可探索的 3D 世界。
• 場景會隨玩家輸入即時變化，而非只播放固定影片。
• 可用於研究 AI 的場景理解與行動能力。
• 長時間維持世界一致性的能力及量化表現，仍需更多資料評估。

對具身 AI、遊戲環境生成和世界模型研究者而言，Genie 4 提供一種建立互動測試場景的方向；一般使用者則可透過生成世界，直觀感受模型如何把提示轉化為可操作的環境。

項目主頁

Categories: AI productions, 模型, 世界模型, 模型訓練, Google, Video, Image, 3D

---

InteractiveWorld：把穿戴式 AI 助理放進可驗證的互動世界

2026 年 10 月 28 日 Share to X Facebook Copy link

穿戴式助理要看見甚麼、怎樣給建議，最後能否幫人完成任務，InteractiveWorld 把整段互動放進可持續變化的 3D 場景中測試。

穿戴式 AI 助理不只要辨認眼前物件，還要理解人的要求、給出可執行的指引，並跟進行動後的變化。InteractiveWorld 是一套以人為中心的 3D 模擬器，用第一人稱視角呈現環境，讓助理與模擬人物多輪互動；同一個儲存庫亦提供 InteractiveBench，用來比較多模態大型語言模型（MLLM）在這類任務中的表現。

場景涵蓋 44 個 BEHAVIOR-1K 家居及活動空間。助理以對話提供建議，模擬人物則根據所見自行決定行動；研究者可用簡短指令描述抓取、開門、倒液體等操作，由模擬器處理移動、避障、操作物件及更新場景。世界狀態會延續到下一輪，因此助理要根據新視角調整回答，而非只生成一次性的文字答案。

InteractiveBench 收錄 120 個固定的多輪任務，分為六類，每類 20 個。評分會檢查場景中的狀態是否達成目標，而不是單憑回答文字判斷；基準亦提供評估流程、報告及影片。首頁資料提到曾以 12 個前沿 MLLM 進行評估，但所提供的內容沒有列出各模型分數，無法據此比較排名或判斷差距。

• 模擬器可用 Python API 開啟場景、執行動作、取得觀察結果及原生分數。
• 場景與人物行動涵蓋物件操作、室內移動及第一人稱畫面更新。
• 基準任務固定，適合研究團隊比較模型在多輪助理情境下的完成能力。
• 安裝指南列明資產準備與環境需求；執行需要處理 Isaac Sim 場景及相關資產，並非只呼叫一個輕量 API。

這個項目適合研究穿戴式助理、多模態模型及具身互動的團隊，尤其是需要可重複測試、以環境狀態核實結果的工作。模擬場景能補足純文字評測看不到的行動後果，但仍不能完全代表真實佩戴裝置時的感測誤差、人的習慣差異或實體操作風險；評測結果應視為模擬環境中的能力證據。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 多模態模型, API, Video, 3D, Python, 庫, Meta, 蘋果

---

World-in-Context 讓世界模型即時切換視角

2026 年 10 月 28 日 Share to X Facebook Copy link

操控生成影片時，切換第一人稱、第三人稱與自由鏡頭，畫面仍要延續同一個世界。World-in-Context 以共享控制機制處理這項挑戰。

想在生成影片中移動鏡頭、改變觀看角度，甚至在第一人稱與第三人稱之間切換，畫面仍須保持連貫。World-in-Context（WiC）是為互動影片世界模型而設的訓練框架，目標是讓視角、動作和鏡頭控制在同一段影片中協同運作，而不是各自處理。

WiC 以 Wan2.2-TI2V-5B 作為基礎模型，透過 In-Context Conditioning（ICC）把視角、動作與鏡頭控制轉成共享注意力空間中的 tokens；Interaction-Transport RoPE（IT-RoPE）則把累積的控制變化納入時間注意力。這讓系統可支援自由鏡頭、第一人稱及第三人稱視角，也能在影片進行中切換，適合研究互動式場景生成、遊戲環境及長時間因果推演。

在 WBench 評測中，WiC 的導航平均分為 81.5，視角切換成功率為 93.8%。這些結果反映它能處理導航與鏡頭切換，但不能單憑分數判斷生成影片在所有場景都同樣穩定；GPU 記憶體需求亦會隨影片尺寸和設定改變。

目前程式碼、訓練程式及 WiC 權重仍在審核，尚未公開，因此現階段無法自行安裝並重現推理結果。計劃中的版本要求 Linux、Python 3.10，以及支援 BF16 的 NVIDIA GPU；預設生成設定為 832×480、81 幀、16 FPS 和 50 個採樣步驟，並預計提供 11 個包含起始圖片、提示詞與控制資料的範例。

• 以 Wan2.2-TI2V-5B 為基礎，加入 WiC adapter。
• 同一影片支援自由鏡頭、第一人稱與第三人稱視角。
• WBench 導航平均分 81.5，視角切換成功率 93.8%。
• 程式碼與權重尚未公開，現時未能重現結果。

對研究影片生成、虛擬環境導航或互動遊戲場景的團隊而言，WiC 提供一條把鏡頭與動作控制合併訓練的路線；但在公開程式碼和權重推出前，這些能力仍主要停留在研究成果與展示範例，還不能直接納入工作流程測試。

項目主頁 · GitHub

Categories: 開源, 阿里巴巴, AI productions, 模型, 世界模型, 模型訓練, NVIDIA, Video, Image, 提示詞, 框架, 3D, Linux, Python

---

Iching 64 Motion：《易經》六十四卦結構動畫

2026 年 10 月 28 日 Share to X Facebook Copy link

想看懂六十四卦如何生成、相互轉換，這部約三分鐘的動畫把卦象、數學關係與經典次序串成一條視覺線索。畫面和配樂均由程式生成，亦可自行預覽及渲染。

由陰陽爻逐步生成六十四卦，再看卦象如何倒轉、互換和變化，iching-64-motion 把《易經》的符號關係整理成一部約三分鐘的知識動畫。它是以程式製作的動畫項目，處理的是如何把抽象卦序和結構轉成可觀看的畫面；內容聚焦符號系統，不提供占卜解讀。

全片分成七章，從邵雍「加一倍法」帶出六十四卦的生成，再以方圓圖、錯卦與綜卦、互卦、變卦、文王卦序、十二消息卦和京房八宮呈現不同關係。陰爻記作 0、陽爻記作 1，六爻卦可讀成六位二進制數；改變一爻，則可視為在六維立方體的頂點之間移動。這些呈現方式讓讀者能從圖像理解卦與卦之間的連結，而非只看靜態卦名。

畫面由 React、SVG 和 three.js 生成，Remotion 負責把場景渲染成影片；六十四卦、卦序等資料由程式推導，配樂則以 Python、numpy 和 scipy 合成，並按畫面事件安排聲音。項目沒有使用外部圖片、影片或音訊素材，視覺與音樂都能納入同一條可重現的製作流程。這對製作資料驅動動畫、教學影片或展覽內容的創作者，提供了可參考的做法。

本機預覽需要 Node.js 18 或以上；可在 Remotion Studio 預覽，再渲染 MP4；不生成配樂仍可預覽畫面。

• 資料由定義推導生成，涵蓋 384 爻及本卦、之卦的 4096 種組合。
• 可預覽並渲染影片；生成配樂需要額外安裝 Python 科學運算套件。

GitHub

Categories: 開源, AI productions, Video, Image, Audio, 教學, 工具, Content Creator, Python, 動畫, 音樂

---

WorldCast 讓角色跟隨大角度鏡頭仍保持一致

2026 年 10 月 27 日 Share to X Facebook Copy link

只需一張參考圖、鏡頭軌跡及最多四張不同角度的錨點圖，WorldCast 便可生成保持角色身份的影片。

只提供一張參考圖、目標鏡頭軌跡，以及 1 至 4 張不同視角的角色錨點圖，WorldCast 便能生成跟隨多角度運鏡的角色影片，同時減少轉換視角時身份走樣。這個開源模型項目針對的是影片生成中「鏡頭要郁得大」與「角色外觀要保持」難以兼顧的問題。

它以 Wan2.1-I2V-14B-720P 作為基礎模型，再加入 scale-aligned geometric guidance 和 Geometry-Aligned Memory Attention（GAMA）。前者把初始畫面轉成具校準深度的彩色 3D 點雲，沿目標軌跡渲染出 RGB 引導與 coverage mask；後者透過 Umeyama alignment 對齊多視角角色記憶，將相關特徵注入影片 token，補足新視角內容。

• 支援 360° 鏡頭移動
• 使用多視角 anchor images 維持角色身份
• CLACT 包含 80,000 個訓練樣本及 42 個評測場景
• 以 ATE、MEt3R 和影像品質比較結果

GitHub 已提供 inference code 和示範案例，但 WorldCast checkpoint、CLACT dataset 及 training code 尚未公開，因此下載 Wan2.1 基礎權重後仍未能完整執行示範。推理建議使用 Python 3.10 或以上、bf16，以及至少 48 GB 顯存；解析度和影片幀數提高後，記憶體需求亦會增加。

結果以較低的 ATE 和 MEt3R 對應更準確的鏡頭控制及跨視角一致性，影像質素則維持具競爭力。電影預視、角色廣告、遊戲過場及需要指定運鏡的生成影片工作流較適合採用。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 模型訓練, Video, Image, Content Creator, 3D, Python, Dataset 數據集

---

RoboJudge：把影片的物理合理性與指令分開評測

2026 年 10 月 27 日 Share to X Facebook Copy link

RoboJudge 分開檢視具身影片的物理合理性與指令完成度，並以人類評分訓練模型，供團隊比較生成結果。

具身影片可能動作自然卻未完成指令，也可能完成任務但違反物理規律。RoboJudge 以 Multimodal Language Models (MLLMs) 評審生成影片，分開衡量 Physical Adherence (PA，物理遵循) 與 Instruction Alignment (IA，指令符合度)。

這有助機械人及具身世界模型團隊分辨動作可信度和任務完成度。RoboJudge-Bench 收錄 800 段人工標註影片，涵蓋 8 個語料來源、10 個影片生成器，以及夾爪、人手與靈巧手。

RoboJudge-Train 收錄 12,000 段影片及 25,000 筆人工評分與理由；RoboJudge-9B 經監督學習及強化學習訓練。Pearson 相關係數在 PA 為 0.645、IA 為 0.775、整體為 0.719，較測試中的最佳專有基線高 0.089；相關性不代表每次判斷都正確。

GitHub 提供推理和基準評估程式，並連結模型與資料集。README 列出依賴安裝及執行流程，但沒有硬件需求資料，採用前宜先確認設備能否負擔模型載入與影片處理。

• PA 檢視影片是否符合物理與時間約束。
• IA 檢視影片動作是否符合指令。
• 基準可用於比較評分，不能取代人工核對。

項目主頁 · GitHub · 模型

Categories: 開源, 香港中文大學, AI productions, 模型, 多模態模型, 世界模型, 模型訓練, Video, 香港, Dataset 數據集, 強化學習

---

ComfyUI Graph Grid：一個比較提示詞、LoRA 與模型設定

2026 年 10 月 27 日 Share to X Facebook Copy link

ComfyUI Graph Grid 將不同提示詞、LoRA 強度、採樣器或 checkpoint 排成圖表，列隊生成，方便逐格比較結果。

將提示詞、LoRA 強度、CFG、採樣器或 checkpoint 放到行列中比較，ComfyUI Graph Grid 會一次佇列所有組合，再輸出附有標籤的圖像網格。它屬於 ComfyUI 自訂節點，處理的是影像生成工作流中逐組改參數、逐張記錄和肉眼比對過於零散的問題。

安裝可透過 ComfyUI Manager 搜尋 Graph Grid，或放入 ComfyUI/custom_nodes 後重新啟動。使用時把最終影像輸出接到 Graph Grid，再把 grid 輸出接至 Preview Image 或 Save Image；在編輯器中選擇要變動的 widget，填入行列值後佇列生成即可。項目已在 ComfyUI 0.41.0 測試，標籤位置亦取決於 Pillow 10.1 或更新版本。

它不要求特別的 loader 或 sampler，而是複製每格需要改動的上游圖段，讓 ComfyUI 執行各組設定；沒有變動的節點可載入一次，重複內容亦有機會由快取提供。接線中的 widget 不能直接變更，必須改動負責輸入的上游節點，其他未接入 Graph Grid 的輸出節點仍會以原值執行。

• 可同時比較多個欄位，亦能用數值範圍、下拉選單選項或逐行文字填充。
• 空白格會保留原本設定，Cross with existing 可建立完整組合。
• 適合測試 LoRA 權重、提示詞、模型和採樣參數的差異。
• 生成量會隨行列組合增加，顯存、時間和輸出整理成本仍需自行控制。

對需要挑選模型、整理提示詞實驗，或為影像生成流程建立可重現比較表的創作者和研究者，Graph Grid 能補足 ComfyUI 原生流程缺少的批量對照介面；它不會替你判斷哪組設定最好，價值在於把比較過程變得一致、可視化和容易回看。

GitHub

Categories: 開源, ComfyUI, AI productions, 模型, Image, 提示詞, Content Creator, LoRA

---

Digital Human Koubo：一句需求生成數字人口播廣告，連聲音也自動完成

2026 年 10 月 27 日 Share to X Facebook Copy link

相片加一句需求，就能串起數字人口播、字幕與影片包裝；代價是依賴外部雲端生成。

一張相片加一句需求，便可生成有數字人口播、字幕和促銷包裝的短片。andyhuo520/digital-human-koubo 是由人工智能（Artificial Intelligence，AI）代理執行的影片工作流，串連文案、對嘴、聲音整理和剪輯。

主持人設定存於 persona.json，固定外觀和聲線描述；GPT Image 合成場景後，Grok Video 1.5 經 Renoise 的 Model Context Protocol（MCP）製作每段最多 15 秒的口播片。按 SKILL.md 配置代理並連接服務後，可先看倉庫示例；其中一條 27 秒廣告耗用 482 Renoise credits，不能視為固定價格。

• Whisper 逐段轉錄核對文稿，每段檢查 4 格畫面；若畫面出現生成字幕，該段會重做。
• 頻譜匹配、去齒音及響度標準化協助統一分段聲音；測試中的齒音差距由 13.2 dB 降至 5.9 dB。
• 48 項影片包裝手法參考 25 條創作者影片整理，可按需要增減。

這套流程適合需要反覆製作商品介紹或社交平台短片的小型內容團隊，也能把文字置於主持人身後。成品仍受外部模型服務和點數成本限制，使用前宜先檢查口型、畫面及人物一致性。

GitHub

Categories: 開源, AI productions, MCP, 數字人, 模型, Video, Image, Audio, Content Creator, 庫, Skill 技能

---