字节跳动推出AI视频生成模型Seedance2.0，支持文本、图像、音频及视频多输入，可生成1080p高保真视频，实现音视频同步，提升运动稳定性和物理真实感。在独立盲测中，其文本到视频生成表现优异。
谷歌推出原生多模态嵌入模型Gemini Embedding2，支持文本、图像、视频、音频和文档，统一映射到向量空间，实现跨媒体深度理解。与生成式模型不同，它专注于“理解”，将数据转化为向量，帮助系统识别语义关系。
2026年春节期间，国产AI大模型赛道迎来密集发布潮，字节跳动、智谱、MiniMAX等头部企业相继推出新品，带动资本市场对AI应用板块热情高涨。其中，字节跳动发布的Seedance 2.0视频生成模型尤为瞩目，支持文本和图像输入，可生成长达60秒的多镜头视频，并实现了画质跨越，具备原生音频同步与出色的运镜规划能力。
字节跳动内测多模态视频生成模型Seedance2.0，整合图像、视频、音频和文本处理能力，提供“导演级”控制精度，显著提升内容创作效率与质量。
一站式AI API商店，一个接口覆盖视频、图像和音频无限生成能力
Ima Studio的多模态AI平台，用文本提示生成图、视频和音频
LTX 2.3在线生成视频，支持4K、同步音频和9:16竖屏模式
OpenAI的下一代视频音频生成模型，可从文本或图像生成高品质视频。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$6
$24
256
$2
$20
Baidu
128
$8
$240
52
chetwinlow1
Ovi是一款先进的音频-视频生成模型，能够根据文本或文本+图像输入同时生成同步的视频和音频内容。该模型采用双骨干架构，支持5秒视频生成，为多媒体创作提供了强大的工具。
Alissonerdx
HuMo是一个统一的、以人为中心的视频生成框架，能够根据文本、图像和音频等多模态输入，生成高质量、细粒度且可控的人类视频。它支持强大的文本提示跟随、一致的主体保留以及同步的音频驱动运动。
VeryAladeen
HuMo是一个以人为中心的视频生成框架，能够利用文本、图像和音频等多模态输入生成高质量、细粒度且可控的人类视频，支持文本提示跟随、主体保留和音频驱动运动同步。
Wan-AI
Wan2.2-S2V-14B是一个专为音频驱动的电影级视频生成而设计的混合专家（MoE）模型。它能够根据输入的音频、参考图像和文本提示生成高质量的视频内容，支持480P和720P分辨率，并具备复杂运动生成和电影级美学效果。
unsloth
Gemma 3n是谷歌推出的轻量级、最先进的多模态开放模型，基于Gemini技术构建。专为低资源设备设计，支持文本、图像、视频和音频输入，生成文本输出。采用选择性参数激活技术，在4B参数规模下高效运行。
NexaAI
Qwen2.5-Omni-3B-GGUF 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态信息，同时以流式方式生成文本和自然语音响应。
OmniAvatar
OmniAvatar是一个能够根据音频输入生成带有自适应身体动画的头像视频的先进模型，为视频生成领域提供了高效且优质的解决方案。
Mungert
Qwen2.5-Omni-7B是一款功能强大的多模态模型，能够感知文本、图像、音频和视频等多种模态信息，并以流式方式生成文本和自然语音响应。
ggml-org
Qwen2.5-Omni-3B 是一个多模态模型，支持文本、音频和图像输入，但不支持视频输入和音频生成。
Qwen
Qwen2.5-Omni 是一个端到端的多模态模型，能够感知文本、图像、音频和视频等多种模态，并以流式方式生成文本和自然语音响应。
Qwen2.5-Omni是一款端到端多模态模型，能够感知包括文本、图像、音频和视频在内的多种模态，同时以流式方式生成文本和自然语音响应。
inclusionAI
轻量级统一多模态模型，高效处理图像、文本、音频和视频等多种模态数据，在语音和图像生成方面表现出色。
Qwen2.5-Omni是一款端到端多模态模型，能够感知文本、图像、音频和视频等多种模态信息，并以流式方式同步生成文本和自然语音响应。
lym0302
VideoLLaMA2.1-7B-AV是一款多模态大语言模型，专注于视听问答任务，能够同时处理视频和音频输入，提供高质量的问答和描述生成能力。
万2.1是一套综合性开源视频基础模型，具备文本生成视频、图像生成视频、视频编辑、文本生成图像及视频生成音频等多任务能力，支持中英双语文本生成。
THUdyh
Ola-7B是由腾讯、清华大学和南洋理工大学联合开发的多模态大语言模型，基于Qwen2.5架构，支持处理文本、图像、视频和音频输入，并生成文本输出。
DAMO-NLP-SG
VideoLLaMA 2是一个多模态大语言模型，专注于视频理解和音频处理，能够处理视频和图像输入并生成自然语言响应。
tk93
V-Express是一个基于音频和面部关键点条件生成的视频生成模型，能够将音频输入转换为动态视频输出。
一个基于MCP协议的媒体编辑服务器，提供视频剪辑、音频转录和主题缩略图生成功能，支持与Claude等AI助手集成实现自动化媒体处理。
Luma AI MCP服务器是一个基于Model Context Protocol的服务，集成了Luma AI的Dream Machine API(v1)，提供AI生成视频/图像的工具集，包括文本/图像转视频、视频扩展、音频添加、画质提升等功能，支持通过Claude Desktop直接调用。
%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)
