苹果发布两项机器学习研究：SQUIRE系统利用GPT-4o和槽查询中间表示，提升AI生成UI的可控性与微调效率；另一项研究则强化图像安全审查能力，旨在解决现有技术痛点。
Fish Audio发布新一代开源TTS模型S2，实现文本转语音在情感与韵律上的精细控制。用户可通过自然语言指令或标签（如[笑]、[耳语]）调节情绪，支持词级或短语级调整，显著提升语音表现力与可控性。
AI视频生成正从随机性强的“开盲盒”阶段转向实用化。尽管Sora曾引发行业焦虑，但画面不连贯等问题阻碍了其工业化应用。为此，万兴剧厂平台通过流程再造，致力于将AI视频从演示“玩具”升级为可靠“生产力工具”，核心在于解决连贯性与可控性难题。
可灵3.0Pro以1240分登顶全球视频大模型榜首，展现了强大的技术实力。该系列共有7款模型进入前15名，在视频真实感、一致性和可控性方面均处于行业领先地位。这一成就标志着AI生成视频技术迈入新阶段。
CineMaster 是一个 3D 意识的可控文本到视频生成框架，允许用户在 3D 空间中操纵对象和相机。
SliderSpace 是一种用于分解扩散模型视觉能力的技术，通过直观的滑块实现对模型的可控性和可解释性。
提升文本到图像生成的可控性
Anthropic
$21
Input tokens/M
$105
Output tokens/M
200
Context Length
Stepfun
-
Baidu
4
MCG-NJU
SteadyDancer是一个基于图像到视频范式的强大动画框架，专门用于生成高保真且时间连贯的人体动画。该框架通过稳健的首帧保留机制，有效解决了传统方法中的身份漂移问题，在视觉质量和可控性上表现出色，同时显著减少了训练资源需求。
briaai
FIBO是首个专为长结构化描述训练的开源文本到图像模型，为可控性、可预测性和特征解耦设定了新标准。该模型拥有80亿参数，仅使用有许可的数据进行训练，支持专业工作流程需求。
JackAILab
ConsistentID是一个多模态细粒度身份保持的肖像生成模型，能够生成具有极高身份保真度的肖像，同时不牺牲多样性和文本可控性。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
