2026年1月11日AI图片与视频领域最新成果盘点（含开源链接/入口）

发布日期：2026 年 1 月 11 日

本文总结近期 AI 在 视频生成、数字人、语音转录、可控视角/4D、机器人 等方向的进展，并给出对应的论文/开源仓库/工具入口，便于快速上手与检索。

---

一、核心成果汇总（图片与视频为主）

1）视频生成与编辑类模型

DreamID-V（字节跳动）——高保真视频级换脸模型

• 核心能力：参考图 + 源视频实现高一致性换脸，强调身份一致性与时序一致性。
• 资源链接：
• 代码仓库：DreamID-V GitHub
• 论文：DreamID-V arXiv
• 项目页：DreamID-V Project Page

---

LTX-2（Lightricks）——音画同步视频生成模型

• 核心能力：统一生成视频与音频（对话/音效/环境音等），强调音画同步；可用于高质量视频生产工作流。
• 资源链接：
• 代码仓库：LTX-2 GitHub
• 论文：LTX-2 arXiv
• 系统要求：LTX Docs - System Requirements
• ComfyUI 节点：ComfyUI-LTXVideo

---

研究社区代表项目（可核对的开源条目）

• 参考图驱动的视频风格控制（风格参考图 → 视频风格）
• StyleCrafter GitHub
• StyleCrafter Project Page

• StyleCrafter arXiv HTML

• 任意两类 3D 物体的连续变形（3D morphing）

• MorphAny3D GitHub

• MorphAny3D Project Page

• 单目视频 → 新视角/大视角视频合成（驾驶/街景场景常见）

• GCD GitHub
• GCD Project Page

• GCD arXiv HTML

• 可控视角 4D 视频生成（强调极端视角一致性）

• EX-4D GitHub
• EX-4D Project Page

• EX-4D arXiv HTML

• 可控“视频世界模型”/显式 4D 控制方向代表

• VerseCrafter GitHub

---

2）数字人相关技术

Google Veo 3 / Veo 3.1 + Flow + Google Vids

• 核心能力（Veo 3）：原生生成音画并与画面同步（对话/音效/环境音等），提升短片、讲解类视频制作效率与真实感。
• 能力延伸（Veo 3.1 / Flow）：参考图控制（Ingredients）、首尾帧过渡（Frames）、视频延长（Scene Extension）、视频内对象添加/删除等。
• 资源链接（官方入口/文档）：
• Veo 模型页（DeepMind）
• Google AI Studio - Veo 3
• Flow（Google Labs）
• Flow / Veo 更新说明（官方博客）
• Veo 3.1 Ingredients 更新（官方博客）
• Vertex AI - Veo 文档
• Gemini API - Video 文档
• Google Vids 产品页
• Vids 集成 Veo 3（Workspace Updates）

---

HRM²Avatar（阿里）——移动端高保真数字人生成框架

• 核心能力：通过手机扫描/拍摄生成高保真数字人，降低制作门槛，适合实时渲染与驱动。
• 资源链接：
• HRM²Avatar 代码（Taobao3D）
• HRM²Avatar 项目页
• HRM²Avatar arXiv
• HRM²Avatar ACM DOI

---

3）其他关联 AI 成果（跨领域支持）

ElevenLabs Scribe v2 ——语音转录/字幕制作

• 核心能力：高质量语音转录，可用于字幕制作、内容整理与多语种工作流（以官方产品能力为准）。
• 资源链接：
• Scribe v2 官方博客
• Speech-to-Text 文档

---

DeepTutor（港大）——开源研究/学习辅助工具

• 核心能力：上传资料后进行问答、学习辅助、研究工作流支持（具体功能以仓库版本为准）。
• 资源链接：
• DeepTutor GitHub

---

SleepFM（斯坦福）——睡眠与健康分析模型

• 核心能力：健康/睡眠相关基础模型与分析能力（偏健康数据方向）。
• 资源链接：
• SleepFM GitHub

---

4）人形机器人与视觉技术关联

Boston Dynamics Atlas（新一代电驱 Atlas）

• 亮点：面向工业落地的电驱 Atlas 迭代，运动控制、视觉感知与环境互动能力持续增强（与 3D 视觉、动态理解方向存在技术关联）。
• 资源链接：
• Introducing Electric Atlas（官方博客）
• Atlas Ships to Hyundai（官方博客）

---

二、资源索引（文字版，无表格）

下面按“成果名称 → 类型 → 资源链接”列出，方便复制与二次整理：

• DreamID-V（开源视频换脸）
• DreamID-V GitHub
• DreamID-V arXiv

• DreamID-V Project Page

• LTX-2（开源音画同步视频生成）

• LTX-2 GitHub
• LTX-2 arXiv
• LTX 系统要求

• ComfyUI-LTXVideo

• Google Veo 3 / Veo 3.1（视频/数字人能力链路）

• Veo 模型页（DeepMind）
• Google AI Studio - Veo 3
• Flow（Google Labs）
• Google Vids
• Gemini API - Video

• Vertex AI - Veo 文档

• HRM²Avatar（开源数字人框架）

• HRM²Avatar GitHub（Taobao3D）
• HRM²Avatar 项目页

• HRM²Avatar arXiv

• ElevenLabs Scribe v2（语音转录/字幕）

• Scribe v2 Blog

• Scribe 文档

• DeepTutor（HKU）（开源研究辅助）

• DeepTutor GitHub

• SleepFM（Stanford）（健康/睡眠模型）

• SleepFM GitHub

• StyleCrafter（视频风格控制）

• StyleCrafter GitHub

• MorphAny3D（3D 物体变形）

• MorphAny3D GitHub

• GCD（Generative Camera Dolly）（单目视频新视角生成）

• GCD GitHub

• EX-4D（可控视角 4D 视频）

• EX-4D GitHub

• VerseCrafter（可控视频世界模型方向）

• VerseCrafter GitHub