ComfyUI 新闻与开源模型动态

Higgs TTS 3 是一个 40 亿参数的文本转语音模型,支持 100 多种语言,具备零样本语音克隆、丰富的情感控制以及内联韵律/音效功能,适用于语音代理应用。

Open-Weights

Sulphur 2 是 LTX 2.3 的社区微调版本，提供文生视频和图生视频功能，内置提示词增强器和蒸馏 LoRA，基于 12.5 万段以上精选视频片段训练而成。

Open-Weights

OpenMOSS 团队发布 MOVA (MOSS Video and Audio)，这是一个端到端的音视频同步生成基础模型，支持单次推理生成视频和音频，实现精确的口型同步和环境感知音效，完全开源模型权重、训练和推理代码

Open-Weights

阿里巴巴通义实验室发布 Z-Image-Base，这是 Z-Image 系列的非蒸馏基础模型，保留了完整的生成潜力，为社区微调和定制开发提供理想基础

Open-Weights

DeepSeek 开源 DeepSeek-OCR-2，引入全新 DeepEncoder V2 视觉编码器，通过视觉因果流机制模仿人类阅读逻辑，在 OmniDocBench v1.5 上达到 91.09% 准确率

Open-Weights

月之暗面正式发布 Kimi K2.5，这是一个 1T 参数的原生多模态 Agent 模型，在 15 万亿混合视觉和文本 token 上持续预训练，支持图像、视频理解，并引入 Agent Swarm 自主协作机制

Open-Weights

阿里巴巴通义千问开源 Qwen3-TTS 系列语音生成模型，采用 Dual-Track 双轨建模实现 97ms 超低延迟，支持 3 秒音色克隆、自然语言音色设计，覆盖 10 种主流语言

Open-Weights

微软开源 VibeVoice-ASR，一个 9B 参数的统一语音识别模型，能够一次性处理长达 60 分钟的音频，在单一推理过程中联合完成识别、说话人日志与时间戳生成

Open-Weights

NVIDIA 开源 PersonaPlex-7B-v1，一款基于 Moshi 架构的 70 亿参数全双工语音对话模型，支持边听边说、自然打断和角色定制，中断响应延迟低至 240 毫秒

Open-Weights

Stable Video Infinity 2.0 Pro 版本正式发布，新增对 Wan 2.2 基础模型的支持，提供 HIGH 和 LOW 两种版本的 LoRA 模型，可在 ComfyUI 中生成无限长度的视频内容

Qwen-Image-Layered 可以将图像分解为多个 RGBA 图层，每个图层可以独立编辑而不影响其他内容，支持重新着色、替换、删除、调整大小和移动等操作

Open-Weights

微软推出TRELLIS.2,一个40亿参数的大型3D生成模型,可在数秒内将图像转换为高质量的3D资产,支持完整PBR材质和复杂拓扑结构

Open-Weights

清华大学团队开源 TurboDiffusion，一个视频生成加速框架，可在单个 RTX 5090 上实现 100-205 倍的端到端扩散生成加速，同时保持视频质量

阿里云 PAI 团队发布 Z-Image-Turbo-Fun-Controlnet-Union，一个为 Z-Image-Turbo 设计的 ControlNet 模型，支持 Canny、HED、Depth、Pose 和 MLSD 等控制条件

Open-Weights

阿里巴巴 AIDC-AI 团队发布 Ovis-Image，一个专注于高质量文本渲染的7B参数文生图模型，在多项文本渲染基准测试中表现出色，可在单张高端GPU上高效运行

Open-Weights

阿里巴巴通义实验室发布Z-Image-Turbo，一个6B参数的高效图像生成模型，仅需8步采样即可生成高质量图像，在16GB显存消费级显卡上流畅运行

Open-Weights

ByteDance推出Sa2VA多模态模型，结合SAM2与LLaVA技术，实现图像和视频的密集分割与视觉问答，在多项基准测试中达到最佳性能

Open-Weights

腾讯发布混元图像3.0，这是首个开源商用级原生多模态生图模型，总参数达80B，具备世界知识推理能力，支持千字级复杂语义理解

Open-Weights

Nunchaku 团队发布了优化版本的 4-Bit Lightning Qwen-Image-Edit-2509 模型，支持 4/8 步快速推理，在 8GB 显存环境下也能流畅运行

阿里巴巴通义实验室推出Wan-Animate，一个基于Wan2.2的统一角色动画框架，支持角色动画生成和视频角色替换，现已开源模型权重和推理代码

Open-Weights