跳到正文

#影像生成

RSS
今日 3 則
11月18日週三
  1. aihot83

    Microsoft MAI 發布多款模型,推出可自行掌控的授權權重

    企業想用大型語言模型處理日常工作,常得面對成本,也在意自家資料和模型權重由誰掌控。Microsoft MAI 發布多款模型,涵蓋程式開發、網路安全、影像編輯和語音轉寫。演講表示,MAI Code 2 在四項日常程式基準測試的平均表現達 GPT 6.1 Sol 的 98%,成本為 40%;MAI Cyber 2 Flash 在 Cyber Gym 測試領先 GPT 6 Astra,每項任務成本不到 2%。新推出的 MAI Licensed Weights 可用專有資料客製模型,再放進自家的 Azure 環境執行,由企業管理存取許可權及資料。

    推薦理由:演講把多款模型的價格與效能放在日常工作中比較,也說明授權權重如何讓企業在自己的 Azure 環境中客製和執行模型。

  2. OpenRouter72

    Microsoft 在 Ignite 發表三款新模型,並已在 OpenRouter 上線。MAI-Image-2.7 可產生 2K 透明背景圖片;MAI-Image-2.7 Flash 是速度較快、較輕量的版本,適合大量使用;Microsoft-Decision-1.1 則能在一次呼叫中,為每個答案選項提供校準後的機率。

    推薦理由:三款模型各自面向透明背景圖片、高量生成與選項機率估計,能快速看出 Microsoft 這次發布的用途差異。

  3. fal69

    想做出細節豐富的圖片、修改指定部分,或讓一系列宣傳圖片維持相同風格,現在可以在 fal 使用 Microsoft 的 MAI Image 2.7 和 MAI Image 2.7 Flash。兩款模型都能生成圖片並進行精準編輯;Flash 提供相同的編輯控制,生成速度較快,每張圖片的費用也較低。

    推薦理由:MAI Image 2.7 與 Flash 的差異在於 Flash 生成較快、每張成本較低,可供比較影像編輯速度與費用。

  4. Dev.to Top Tech63

    Microsoft 在 Ignite 發表六款 MAI 模型,涵蓋程式、資安、影像與語音

    Microsoft 在 Ignite 發表六款 MAI 模型,分別面向程式開發、資安、影像編輯、語音轉錄和即時語音,並提到可透過 GitHub Copilot、Microsoft Foundry 和 Azure AI services 使用。已知名稱包括 MAI Code 2、MAI Code 2 Flash、MAI Cyber 2 Flash 和 MAI Image 2.7;另外兩款轉錄與即時語音模型的名稱沒有提供。Microsoft 主打這些模型能以較低成本達到前沿表現,但材料沒有列出價格,也未確認各模型在哪些服務或地區供應。企業評估時,仍需確認供應情況、費用和工作流程是否合適。

  5. Dev.to Top Tech72

    SaaS 如何安全儲存 OpenAI 與 Stable Diffusion 產生的影像:多種雲端選擇與刪除期限管理

    在客戶支援 SaaS 裡,影像和簽署檔案都需要保留到指定刪除時間,傳統的資料表或本地磁碟都不夠穩定。作者提出用私有物件儲存桶存放檔案,資料庫只記錄元資料與刪除期限,再透過應用層介面控制上傳、下載與刪除。這樣既能確保檔案不被覆寫,也能在到期時自動清理,並且只用一組 API 金鑰即可管理多雲儲存。

  6. Vercel Blog68

    MAI-Image-2.7 與 MAI-Image-2.7-Flash 於 AI Gateway 正式上線

    Microsoft 推出的 MAI‑Image‑2.7 與 MAI‑Image‑2.7‑Flash 兩款影像生成模型,已在 Vercel 的 AI Gateway 進入公開預覽。它們可產出最大 2048×2048 畫素、支援透明背景的 PNG,並能用同一 API key 進行文字生成或圖片編輯。MAI‑Image‑2.7 針對高品質最終素材,MAI‑Image‑2.7‑Flash 則提供更快、成本更低的變體。開發者只需設定 AI_GATEWAY_API_KEY,即可透過 Vercel AI SDK 或 AI CLI 直接呼叫。

    推薦理由:本文說明 Microsoft MAI-Image-2.7 及其 Flash 版可在 AI Gateway 直接使用,支援 2048×2048 解析度與透明背景,適合需要高品質或快速生成影像的應用。

  7. Arena.ai69

    MAI-Image-2.7 已結束預覽,Arena 的榜單比較了它和前一版 MAI-Image-2.6 在圖片任務上的表現。新版本在多張圖片編輯排第 3,單張圖片編輯和文字生成圖片都排第 4,整體比前一版約高 50 分;單張圖片編輯的進步最大,例如文字呈現從第 13 名升到第 4 名。每張圖片價格是 $0.035,榜單也把它列在兼顧價格與排名的選項中。

    推薦理由:Arena 比較 MAI-Image-2.7 與前一版在多種圖片任務的名次,也列出每張 $0.035 的價格,方便了解效能與成本的取捨。

  8. Artificial Analysis73

    挑選影像編輯模型時,品質和價格常得一起考量。Microsoft 推出 MAI-Image-2.7 和 MAI-Image-2.7-Flash,Artificial Analysis 表示兩款模型在影像編輯與文字生成圖片的品質和價格比較中,都進入表現與費用的前段。MAI-Image-2.7 每 1k 張圖片要 $34.82,Flash 版要 $10.24;前者在文字或符號、場景與風格、畫面增強與修復等編輯專案排名第 1,後者在場景與風格編輯排名第 3。這些結果提供了比較兩款模型用途與費用的依據。

    推薦理由:Artificial Analysis 比較兩款模型在影像編輯與文字生成圖片的表現和價格,可看出不同任務下品質與費用的取捨。

  9. Dev.to Top Tech60

    imagegen-swarm 推出風格批次、預算控管與核准安全更新

    多個生圖引擎一起工作時,圖片風格可能不一致,重試也可能讓花費超出上限,核准畫面的判斷還可能放得太寬。作者替 imagegen-swarm 加上可選的系列模式,讓圖片共用風格指引,並在圖片不合條件時重新排隊;工具會先詢問是否啟用,不會自行改變混合風格的批次。付費圖片即使產生後被丟棄,費用預留也會保留,重試前會再次檢查預算。Muse 的核準目前採嚴格限制,但作者尚未用真實瀏覽器核准畫面測試,因此合法存檔也會被拒絕。

  10. aihot67

    Suno 推出 Visuals,讓歌曲變成影片和圖片

    想替歌曲配上影片或封面,過去可能需要另外找工具製作。Suno 推出 Visuals,讓使用者把曲庫中的歌曲拖進網頁,就能生成最長 15 秒的影片或圖片;影片可以跟著歌曲段落和節拍,呈現歌詞並配合口型,也能延長、編輯或用文字調整。Visuals 另設文字和畫面過濾器,檢查生成內容,並提醒使用者確認上傳素材的權利;影片或圖片分享到平臺外前,會加上看得見的水印。

    推薦理由:Visuals 把歌曲轉成短片、歌詞影片或封面,也說明瞭生成前後的內容檢查與權利提醒如何配合運作。

  11. Dev.to Top Tech61

    ChatGPT Images 能畫對流程圖和長條圖嗎?作者實測生成與修改結果

    AI 畫出的流程圖和長條圖看起來正確,文字、箭頭或長條高度卻可能有錯。作者用 ChatGPT Images 做了四次測試,建議先把每個標籤、排列順序、數值和不要出現的內容寫清楚,再逐項檢查。長條圖除了核對上方數字,也要量長條高度:一次修改把星期二的數值從 25 改成 20,標籤雖然改對,長條實際高度卻約等於 22。作者提醒,這些結果來自每種測試各一次,不能看出錯誤有多常發生。

11月17日週二
  1. aihot77

    可靈 AI 推出 Kling Image 4.0 影像模型並開放 API

    想用文字做出大尺寸圖片、長篇文字圖或一組風格一致的圖片,常會遇到模型能處理的內容有限。可靈 AI 推出 Kling Image 4.0,並向企業客戶與開發者開放 API。它支援原生 8K 影像生成,內建 110+ 種影調風格和 70+ 種商用字型;一次描述最多可生成 10 張風格連貫的組圖,也能在單張圖片中生成最多 2000 字。這些功能適合用來評估它是否符合影像創作與電商長圖的需求。

    推薦理由:原文列出 Kling Image 4.0 的影像尺寸、文字長度與組圖能力,方便對照不同創作需求。

  2. Aravind Srinivas63

    想在瀏覽器裡探索馬裡亞納海溝,不一定要安裝遊戲。Perplexity 團隊成員用 Fable 5.2 製作了 HADAL,玩家從陽光照得到的珊瑚礁出發,搭上潛水艇一路往深處前進,沿途掃描 18 個發現。畫面中的地形、海帶、海洋生物、潛水艇和聲音都是生成出來的,作者也自行撰寫 WebGPU 畫面,不靠遊戲引擎或 Three.js。整個作品放在一個 373 KB 的 HTML 檔案裡。

    推薦理由:HADAL 把海溝探索做成瀏覽器裡可玩的體驗,並以自行撰寫的 WebGPU 畫面呈現;單一 HTML 檔僅 373 KB,具體展示了生成式工具如何產出完整互動場景。

  3. Dev.to Top Tech62

    研究用 Butterfly Adapter 微調醫療影像模型,保留穩健性保證

    醫療影像模型要用診所自己的資料微調,但一般微調可能讓原本的穩健性保證變弱。研究團隊提出 Butterfly Adapter,透過不改變權重矩陣奇異值的旋轉來調整模型。在頭皮影像的掉髮分類任務中,這種方法在半徑 36/255 的認證準確率為 63.8%,LoRA 為 31.6%,完整微調為 35.6%;在半徑 108/255 時,Butterfly Adapter 為 20.4%,另外兩種方法都是 0%。研究也在另一項圓禿活動度分類任務中測試,結果顯示這種方法能在微調特徵時保留較多認證準確率。

  4. Dev.to Top Tech44

    Micro Four Thirds 為什麼一直留在我的相機包裡

    有些人覺得 Micro Four Thirds 相機早就過時了,但作者多年來帶著它到日本旅行、散步,也拍下家人的日常,至今沒有打算換成全片幅。它的感光元件比較小,鏡頭也能做得更輕巧;作者帶著 4 顆鏡頭,就能拍街景,也能拍遠處的富士山,不必背著沉重的大包包。 小感光元件在很暗的地方比較容易出現雜訊,不過近年修照片的軟體已能改善這個問題。再加上機身防手震和防雨設計,作者可以不用腳架,也能在傍晚拍出清楚的照片。對他來說,相機輕便、願意天天帶出門,比規格表上的數字更重要,因為最值得留下的畫面,常常就出現在平凡日子裡。

  5. Lobste.rs (Engineering Discussion)43

    用 Nile 編譯器把圖形畫成螢幕上的畫素

    畫 SVG 通常得靠很大型的 Cairo 或 Skia,裡面有許多複雜程式碼,一般人不容易看懂。作者花了約 10 年打造 Nile,讓人用較簡單的語言描述圖形怎麼變成螢幕上的畫素,再由編譯器負責整理和執行。他用約 300 行 Nile 程式碼畫出一隻老虎,同一份程式也能編譯成 JavaScript、WASM 和 WebGPU 版本。這套工具目前還在開發中,速度可能比不上專家為特定硬體調校的繪圖工具;它更大的價值,是讓人有機會看懂圖形繪製的原理。

  6. Dev.to Top Tech35

    聖誕舞蹈影片怎麼做出來?從照片預覽到動作轉換的流程解析

    想跟上短影片裡的聖誕舞蹈,傳統上得學舞、架相機,還要反覆重拍;現在只要一張照片,也能做出大家一起跳舞的影片。流程分兩步:先把照片放進聖誕場景,讓你免費預覽畫面;確認人物和衣服看起來合適後,再把熱門舞蹈的動作套上去,並加回原本的音樂。 照片拍得好不好,幾乎決定成品效果。像是一張從頭到腳都拍進去、臉看得清楚、光線明亮的合照,模型比較容易做出自然的舞蹈;如果照片只拍到上半身,模型得自己猜腿和腳,畫面就容易變得模糊或不像本人。文章介紹的工具每支影片收費 $9.99,成品約 12–16 秒,付款前可以先看照片預覽。

  7. Dev.to Top Tech38

    一個人如何打造 AI 饒舌影片生成器:上傳照片,讓照片裡的人跟著新歌對嘴饒舌

    想用自己的照片做出饒舌影片,得處理歌詞、音樂、畫面和對嘴,作者便把這些步驟串在一起,做成一個人也能用的工具。使用者上傳一張照片(雙人模式可上傳兩張),選場景和節奏,再輸入主題;Anthropic 的 Claude 會寫歌詞,ByteDance 的 Seedance 2.0 family 則一次生成音樂、歌聲和對嘴影片。成品是 5–15 秒的 MP4,製作約需 2–4 分鐘;生成失敗時,系統會自動退回點數。作者也發現,讓兩張臉都留在畫面裡、又不多生出其他人,需要花不少心力調整提示詞。

  8. John Carmack40

    NeXT 和 3DFX 把螢幕亮度當成可以直接平均計算的數字,讓畫素混色和貼圖處理更符合物理光線的變化;但它們的色彩精度不高,每個顏色通道只有 4、5 或 6 位元,暗部因此容易出現一層一層的色帶。人眼對暗處的亮度變化特別敏感,顏色不該在 0 到 1 之間平均分配。當時美術人員多半在一般非線性螢幕上製作貼圖,放到 3DFX 顯示時就顯得褪色。John Carmack 回想,當年他們太看重 3DFX 的速度,沒有充分注意色彩;直到現在,許多遊戲仍沒正確處理貼圖與畫面的亮度差異,高解析度和 24 位元色彩只能掩蓋部分問題。

  9. Dev.to Top Tech68

    RemoveFree 如何在瀏覽器用三種 AI 模型去背,免付伺服器 GPU 費用

    雲端去背服務每處理一張圖片都要花 GPU 費用,因此可能限制預覽尺寸、加上浮水印或要求註冊。作者打造 RemoveFree,讓圖片留在使用者裝置上處理,並比較三種模型:4.6 MB 的 U²-Net-p 最快,也最常保住照片中的主體;較大的 BiRefNet Lite 擅長處理髮絲等細節,但有時會漏掉小物件。系統會先用小模型去背,遇到複雜照片再建議升級處理;原圖尺寸也能保留下來。作者提醒,第一次下載大型模型可能需要 10–38 秒,細小物件仍可能需要手動修整。

  10. Latent Space75

    Black Forest Labs 為什麼讓 FLUX 3 一起學影像、影片和聲音

    一張圖片能看出物體在哪裡,卻看不出它怎麼移動;Black Forest Labs 認為,影片和聲音能補上這些線索。對談中,Andreas Blattmann 用接球說明,人可以在球碰到手前就開始接,不必先算出球的完整路線;影片能呈現球怎麼飛來,撞擊聲也能提示它何時碰到東西。團隊因此主張讓 FLUX 3 一起學影像、影片和聲音。對談也談到影片放大時要讓每一格畫面保持一致,免得細節播放起來閃動,並分享有人用 FLUX 修復老舊的家庭照片。

  11. Hacker News (official RSS)78

    Three.js 如何逐步補上 AAA 遊戲引擎的光照效果

    Three.js 已有不少做出遊戲級光照效果的工具,但要把反射、環境光和材質光照接成完整流程,還有缺口。作者逐一檢查這套流程:場景預先計算的光照可照亮靜止物件,探針則補上移動物件的光;螢幕上的反射與間接光再補充即時變化。文章也說明,反射若要進入材質本身,需要追蹤前一幀的畫面,並依表面材質處理光線。目前最大的缺口,是讓這些光照來源能一起接入材質;部分功能仍在審查或草擬中。

    推薦理由:文章逐階段比較 Three.js 與 AAA 遊戲引擎的光照流程,指出反射、全域光照和材質整合仍缺哪些環節,適合掌握這套技術的進度與瓶頸。

  12. Hacker News (official RSS)56

    TRMNL 推出 31.5 吋彩色電子紙相框 Frame,開放預購

    想在家展示藝術作品,又不想把螢幕當成電視使用,TRMNL 推出了 Frame。它是一臺 31.5 吋彩色電子紙顯示器,裝在手工木框裡,可直立或橫向掛起,也能選配腳架;插入 microSD 後還能完全離線使用,不必把個人資料傳到 TRMNL 的伺服器。Frame 預計分批出貨,首批約 470 臺,少量產品預計在 2026 年底前寄出,多數交貨時間落在 2027 年初。

  13. Dev.to Top Tech48

    人臉交換如何撐過放大處理:用貼回原圖的方式保住其他畫面

    人臉交換常會在臉部邊緣露出接縫,或讓周圍光線、皮膚質感看起來不自然。這套做法先在區域性區域換臉,再把換好的部分貼回原圖,並把邊緣融合起來,避免模型順手改動其他地方;之後才用另一個工作流程放大圖片。文章提供的例子中,39 個節點的流程用來確認換臉效果,55 個節點的流程則加入貼回原圖的步驟。這樣放大時,其他畫面比較不會跟著被改動;但遮罩邊界如果做得不好,放大後仍可能看出柔軟的接縫。

  14. Dev.to Top Tech56

    FireRed Image Edit 1.0 與 Qwen 2511 圖片編輯比較:怎麼選防止畫面跑掉的模式

    圖片編輯常遇到兩種問題:想改的地方沒改好,或是整張圖都跟著變了。AI-KSK 用五種編輯任務比較 FireRed Image Edit 1.0 和 Qwen 2511,並介紹兩種設定:Anti-drift 適合只改指定區域,Free-range 則能重新調整整張圖,較適合換背景或改光線。作者建議測試時除了看指定修改有沒有完成,也要檢查其他地方是否改變;文章另提醒,模型檔名中的空格可能讓命令列工具找不到檔案。

  15. Dev.to Top Tech44

    Flux 2 Klein 9B 換整顆頭為什麼要用 Rank 128?也要小心放大造成的問題

    換整顆頭比換臉難,因為髮型、頭骨形狀、下巴和脖子都要一起接上,還得配合身體比例和現場光線。這套 Flux 2 Klein 9B 工作流程使用 Rank 128 的 LoRA,讓它能大幅改動畫面;代價是頭以外的地方也可能被改掉,因此流程加入放大步驟來補回細節。操作時先用 1024 × 1024 做替換,再以原尺寸檢查;如果背景或其他地方也變了,要先修好遮罩再放大,因為放大隻會讓原有的瑕疵更清楚。

  16. Dev.to Top Tech62

    AI-KSK 解讀 Anima Preview 2 工作流程,提醒先移除放大圖用的錯誤 LoRA

    想找出哪些藝術家風格提示詞對 Anima Preview 2 有效,一個個手動重跑既花時間,也容易不小心改到其他設定。AI-KSK 整理了這版的四種工作流程,並介紹 16 個節點的批次測試流程:它用同一組種子和設定,逐一套用不同提示詞,再把結果排成圖片格,方便直接比較風格差異。文章也提醒,區塊放大流程裡放著一個 Flux 架構的 LoRA,和 Anima 模型架構不相容;它可能仍會載入並影響輸出,因此使用放大流程前應先清除這個 LoRA。

  17. Dev.to Top Tech48

    Flow-DPO 搭配 Z-Image Turbo:加上電影感光線,同時保留生成速度

    想讓圖片有電影般的光線,又不想讓生成變慢,可以試試把 Flow-DPO 加到快速的 Z-Image Turbo 上。Flow-DPO 是一種 LoRA,會讓模型偏向它學過的光線和構圖風格。文章提供兩種工作流程:47 個節點的版本能直接以 1024 × 1024 生成圖片;180 個節點的版本則用控制網路分割槽生成,先做出較小的區塊,再合成圖片。 作者提醒,兩種流程同時加入多種設定,無法看出每一項各自帶來什麼效果。建議先跑較簡單的版本,確認 Flow-DPO 單獨造成的變化,再逐項調整;如果它讓圖片太有電影感,可以試著降低權重。

  18. Dev.to Top Tech57

    AI-KSK 示範用 LTX 2.3 重畫影片畫面,修掉字幕和浮水印

    影片上的字幕或浮水印如果用模糊或馬賽克遮住,畫面會留下明顯痕跡。AI-KSK 分享一套 LTX 2.3 工作流程,先指定被文字擋住的區域,再提供那裡原本應該出現的畫面,讓模型重新畫出像是周圍場景的內容。背景簡單時較適合使用;文字蓋在臉、手或細節複雜的地方,重畫可能猜錯。作者也提醒,修補後要把畫面放大檢查,並確認是否有區域漏掉。

  19. Dev.to Top Tech58

    AI-KSK 示範 LTX 2.3 如何生成雙人對話影片,並提醒檢查音訊設定

    讓兩個人一起出現在 AI 生成影片裡,難處不只是畫面好不好看,還要讓兩張臉、兩種聲音和對話都維持一致。AI-KSK 分享了幾套 ComfyUI 工作流程,並比較兩種雙人 LoRA 設定:其中一套把權重設為 0.75,作者說這樣能減少兩個角色的臉互相混在一起。文章也提醒,音訊 VAE 和影片檢查點若使用不同版本,流程不一定會報錯,但生成的聲音可能不太融入畫面;建議先確認兩者使用同一版本,再測試角色是否維持一致。

  20. Dev.to Top Tech56

    PiD 教學:從低解析度潛在表示直接解碼出 4K 圖片

    一般放大工具是先做好小圖,再補出更大的圖片;PiD 改從模型使用的低解析度潛在表示直接解碼成 4K。文章整理了 FLUX.1、FLUX.2、Z-Image 和 SD3.5 的 ComfyUI 工作流程,每種模型都會輸出 PiD 解碼版和模型原生解碼版,方便用相同的起始資料和隨機種子比較。作者也提醒,這種做法把更多運算放到解碼階段,而且如果原本構圖有問題,解成 4K 也不會讓畫面變好。

  21. Dev.to Top Tech65

    ComfyUI 教學:先用 Stable Audio 3 做配樂,再讓 LTX 2.3 動畫跟著音訊變化

    先做好動畫再配樂,畫面和聲音常得靠人手動對拍。這篇教學用 ComfyUI 串起兩張工作流程圖:先用 Stable Audio 3 產生配樂,再把音訊交給 LTX 2.3,讓畫面跟著聲音變化。作者提醒,音軌若有點選聲或突然的雜音,畫面也可能跟著出現突兀動作;音訊和影片的長度也要先安排好。先單獨檢查音訊,再製作動畫,能讓兩者共享節奏來源。

  22. ModelScope58

    商品照片去背時,包裝文字、標誌和細小空隙容易一起消失。Bria 的 RMBG 3.0 把去背當成圖片編輯,使用 8B Fibo 2.0 DiT,在四個步驟中產生柔和的 8-bit alpha 遮罩。Bria 的測試顯示,它在 234 張全尺寸圖片中,有 185 張表現最佳或並列最佳;電商圖片範例則保留了包裝文字、標誌、動態模糊的肢體和網布空隙。也可自行架設 Fibo 2.0 Edit Turbo。

11月16日週一
  1. Dev.to Top Tech58

    AI-KSK 拆解 LTX 2.3 Kit:三階段影片生成與約 10 秒人物相似度維持

    影片裡要同時顧好畫面、聲音和人物長相,常得安排好幾個處理步驟。AI-KSK 拆解了九套 LTX 2.3 Kit 工作流程,其中一套把生成分成低解析度構圖、放大細修和最後整理三階段,並在同一流程裡產生畫面與聲音。另一套可讓人物的臉和聲音維持約 10 秒;時間拉長後,相似度會逐漸跑掉,作者建議接續兩次生成。文中也說明 Flux 2 的 8 步圖片編輯流程:草稿能快速反覆修改,但細小紋理和文字會比構圖更容易變差。